python爬蟲之urllib庫詳解

• 前言
• 一、urllib庫是什么？
• 二、urllib庫的使用
• • urllib.request模塊
  • urllib.parse模塊
  • 利用try-except，進(jìn)行超時(shí)處理
  • status狀態(tài)碼 && getheaders()
  • 突破反爬

---

前言

想要進(jìn)行python爬蟲首先我們需要先將網(wǎng)頁上面的信息給獲取下來，這就是utllib庫的作用

---

一、urllib庫是什么？

urllib庫用于操作網(wǎng)頁 URL，并對網(wǎng)頁的內(nèi)容進(jìn)行抓取處理

• urllib 包 包含以下幾個(gè)模塊：
  • urllib.request - 打開和讀取 URL。
  • urllib.error - 包含 urllib.request 拋出的異常。
  • urllib.parse - 解析 URL。
  • urllib.robotparser - 解析 robots.txt 文件
• python爬蟲主要用到的urllib庫中的request和parse模塊

二、urllib庫的使用

下面我們來詳細(xì)說明一下這兩個(gè)常用模塊的基本運(yùn)用

urllib.request模塊

urllib.request 定義了一些打開 URL 的函數(shù)和類，包含授權(quán)驗(yàn)證、重定向、瀏覽器 cookies等。

語法如下：

• urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
  • url：url 地址。
  • data：發(fā)送到服務(wù)器的其他數(shù)據(jù)對象，默認(rèn)為 None。
  • timeout：設(shè)置訪問超時(shí)時(shí)間。
  • cafile 和 capath：cafile 為 CA 證書， capath 為 CA 證書的路徑，使用 HTTPS 需要用到。
  • cadefault：已經(jīng)被棄用。
  • context：ssl.SSLContext類型，用來指定 SSL 設(shè)置。

# -*- codeing = utf-8 -*- # @Author: Y-peak # @Time : 2021/9/2 19:24 # @FileName : testUrllib.py # Software : PyCharmimport urllib.request #get請求 response = urllib.request.urlopen("http://www.baidu.com") #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象 #print(response) 可以嘗試打印一下看一下 print(response.read().decode('utf-8')) #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼

將其打印的內(nèi)容寫到一個(gè)html文件中，打開和百度一毛一樣

# -*- codeing = utf-8 -*- # @Author: Y-peak # @Time : 2021/9/2 19:24 # @FileName : testUrllib.py # Software : PyCharmimport urllib.request response = urllib.request.urlopen("http://www.baidu.com") #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象 data = response.read().decode('utf-8') #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼 #print(data) with open("index.html",'w',encoding='utf-8') as wfile: #或者你們也可以常規(guī)打開，不過需要最后關(guān)閉記得close()wfile.write(data)print("讀取結(jié)束")

urllib.parse模塊

有時(shí)我們爬蟲需要模擬瀏覽器進(jìn)行用戶登錄等操作，這個(gè)時(shí)候我們就需要進(jìn)行post請求

但是post必須有一個(gè)獲取請求之后的響應(yīng)，也就是我們需要有一個(gè)服務(wù)器。給大家介紹一個(gè)免費(fèi)的服務(wù)器網(wǎng)址，就是用來測試用的http://httpbin.org/。主要用來測試http和https的


我們可以嘗試執(zhí)行一下，去獲取對應(yīng)的響應(yīng)。


可以用Linux命令去發(fā)起請求，URL地址為http://httpbin.org/post。得到下方的響應(yīng)。

我們也可以通過爬蟲來實(shí)現(xiàn)

# -*- codeing = utf-8 -*- # @Author: Y-peak # @Time : 2021/9/2 19:24 # @FileName : testUrllib.py # Software : PyCharmimport urllib.request import urllib.parse #解析器 data = bytes(urllib.parse.urlencode({"hello":"world"}),encoding='utf-8') #轉(zhuǎn)換為二進(jìn)制數(shù)據(jù)包，里面是鍵值對（有時(shí)輸入的用戶名：密碼就是這樣的），還有一些編碼解碼的數(shù)值等.這里就是按照utf-8的格式進(jìn)行解析封裝生成二進(jìn)制數(shù)據(jù)包 response = urllib.request.urlopen("http://httpbin.org/post",data=data) #返回的請求 print(response.read().decode('utf-8')) #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼

兩個(gè)響應(yīng)結(jié)果對比是不是一樣幾乎

相當(dāng)于進(jìn)行了一次模擬的post請求。這樣有些需要登錄的網(wǎng)站也是可以爬取的。

利用try-except，進(jìn)行超時(shí)處理

一般進(jìn)行爬蟲時(shí)，不可能一直等待響應(yīng)。有時(shí)網(wǎng)絡(luò)不好或者網(wǎng)頁有反爬或者一些其他東西時(shí)。無法快速爬出。我們就可以進(jìn)入下一個(gè)網(wǎng)頁繼續(xù)去爬。利用timeout屬性就好

# -*- codeing = utf-8 -*- # @Author: Y-peak # @Time : 2021/9/2 19:24 # @FileName : testUrllib.py # Software : PyCharmimport urllib.request try:response = urllib.request.urlopen("http://httpbin.org/get",timeout=0.01) #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象, 直接用這個(gè)網(wǎng)址的get請求了.timeout表示超時(shí)，超過0.01秒不響應(yīng)就報(bào)錯(cuò)，避免持續(xù)等待print(response.read().decode('utf-8')) #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼 except urllib.error.URLError as e:print("超時(shí)了\t\t錯(cuò)誤為：",e)

status狀態(tài)碼 && getheaders()

• status:
  • 返回200，正確響應(yīng)可以爬取
  • 報(bào)錯(cuò)404，沒有找到網(wǎng)頁
  • 報(bào)錯(cuò)418，老子知道你就是爬蟲
• getheaders():獲取Response Headers
  • 也可以通過gethead(“xx”) 獲取xx對應(yīng)的值，比如：上圖 gethead(content-encoding) 為 gzip

突破反爬

首先打開任何一個(gè)網(wǎng)頁按F12找到Response Headers，拉到最下面找到 User-Agent。將其復(fù)制保存下來，為反爬做準(zhǔn)備。

下面我們進(jìn)行嘗試，直接爬取豆瓣，直接來個(gè)418，知道你是爬蟲，我們來偽裝一下

為什么418呢，因?yàn)槿绻侵苯舆M(jìn)行請求訪問的話，發(fā)過去的User-Agent 是下面的，直接告訴瀏覽器我們是爬蟲。我們需要偽裝

# -*- codeing = utf-8 -*- # @Author: Y-peak # @Time : 2021/9/2 19:24 # @FileName : testUrllib.py # Software : PyCharmimport urllib.requestheaders = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36" } request = urllib.request.Request("http://douban.com", headers=headers) #返回的是請求，將我們偽裝成瀏覽器發(fā)送的請求 response = urllib.request.urlopen(request) #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象 data = response.read().decode('utf-8') #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼 with open("index.html",'w',encoding='utf-8') as wfile: #或者你們也可以常規(guī)打開，不過需要最后關(guān)閉記得close()wfile.write(data)

當(dāng)然反爬不可能如此簡單，上面將講的那個(gè) post請求，也是十分常見的突破反爬的方式，不行就將整個(gè)Response Headers全部模仿。下面還有個(gè)例子作為參考。和上面的post訪問的網(wǎng)址一樣

• 瀏覽器訪問結(jié)果
  
• 爬蟲訪問結(jié)果

# -*- codeing = utf-8 -*- # @Author: Y-peak # @Time : 2021/9/3 0:47 # @FileName : testUrllib.py # Software : PyCharmimport urllib.request import urllib.parse headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36" } url = "http://httpbin.org/post" data = (bytes)(urllib.parse.urlencode({"賬戶":"密碼"}),encoding = 'utf-8') request = urllib.request.Request(url, data = data,headers=headers, method='POST') #返回的是請求 response = urllib.request.urlopen(request) #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象 data = response.read().decode('utf-8') #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼 print(data)

總結(jié)

以上是生活随笔為你收集整理的python爬虫之urllib库详解的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。