爬虫之urllib包以及request模块和parse模块
urllib简介
简介
Python3中将python2.7的urllib和urllib2两个包合并成了一个urllib库
Python3中,urllib库包含有四个模块:
- urllib.request 主要用来打开或者读取url
- urllib.error 主要用来存放返回的错误信息
- urllib.parse 主要用来解析url
- urllib.robotparser 主要用来解析robots.txt文件
模块安装与导入
urllib是python自带的一个包，无需安装，导入方法如下：
from urllib import request ...
urllib.request
urllib.request这个模块用得比较多, 尤其是urlopen函数，会返回一个二进制的对象，对这个对象进行read（）操作可以得到一个包含网页的二进制字符串，然后用decode()解码成一段html代码:
语法结构:
urllib.request.urlopen(url,data=None,[timeout,]*,cafile=None, capath=None, cadefault=False, context=None)
参数:其中url既可以是一个URL字符串,又可以是一个Requst对象,一般使用后者添加其他参数。
当request的方式是post时,使用参数data，用于填写传递的表单信息，将data填好表单信息，准备传入urlopen 前，还需要利用urllib.parse里的urlencode()函数转换格式，写成data = urllib.parse.urlencode(data).encode(‘’),然后将data传入函数。
而urllib.request的Request函数，也可以用于打开url字符串，同时可以传入更多的参数，例如：headers，Request函数可以返回一个request对象作为urlopen函数的url参数使用。
语法结构:
urllib.request. Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
参数:其中url是一个URL字符串。
data用法与urlopen一致。
headers参数是一个字典，服务器对于用户发出的request，会通过其中的headers信息来判断用户发信息，我们可以通过自己编写headers传入urllib.request. Request中用于伪装自己的身份。Header中User-agent参数是判断用户身份。另外通过设置代理可以改变用户提交时的IP地址。
urllib.error
待续......
urllib.parse
待续......
urllib.robotparser
待续......
爬虫小示例
代码
from urllib import request # 定义一个url url = 'https://www.baidu.com/' # 用request.urlopen()方法打开指定的url response = request.urlopen(url) # 返回的是一个HTTPResponse对象 print(type(response)) # <class 'http.client.HTTPResponse'> print(response) # <http.client.HTTPResponse object at 0x00000196C95CB550> # 调用返回的response对象的read()方法，可以读取url返回的html内容，不过是bytes类型的 html = response.read() print(type(html)) # <class 'bytes'> # 对bytes类型的html进行解码 html = html.decode() print(html)
分析
根据以上代码，我们得知，urllib包下面的request模块的urlopen方法可以获取一个HttpResponse对象，通过调用对象的read()方法可以获取二进制格式的url的html内容，对结果进行解码即可
urlopen返回的HttpResonse对象
我们从上面的小示例可以看出，urlopen打开一个url后会返回一个HttpResponse对象，这个对象有以下几个常用的方法：
read()
次方法用来读取url的html内容，格式为二进制
geturl()
用来获取urlopen的url参数，也就是所打开的url
如，在上面示例中调用此方法：
print(response.geturl()) # https://www.baidu.com/
info()
返回response对象的meta信息
print(response.info()) ''' Accept-Ranges: bytes Cache-Control: no-cache Content-Length: 227 Content-Type: text/html Date: Wed, 09 May 2018 13:59:22 GMT Last-Modified: Tue, 08 May 2018 03:45:00 GMT P3p: CP=" OTI DSP COR IVA OUR IND COM " Pragma: no-cache Server: BWS/1.1 Set-Cookie: BD_NOT_HTTPS=1; path=/; Max-Age=300 Set-Cookie: BIDUPSID=E163F6688178D6656D765FF58DBA2D01; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com Set-Cookie: PSTM=1525874362; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com Strict-Transport-Security: max-age=0 X-Ua-Compatible: IE=Edge,chrome=1 Connection: close '''
getcode()
返回http状态码。200 404 403等
print(response.getcode()) # 200
给urlopen传递参数
get方法传参
利用url参数给服务器传递信息
参数为dict类型，需要用parse对字典参数进行编码
格式为：
response = request.urlopen(url,data)
示例如下：
from urllib import request
from urllib import parse
url = 'https://www.baidu.com/s'
# 让用户输入关键词
keyword = input('请输入您要搜索的内容：')
# 定义一个字典，将用户输入的关键字封装到里面
data = {'kw':keyword}
# 对data进行编译
data = parse.urlencode(data).encode()
response = request.urlopen(url,data)
print(response.read().decode())
上面的小示例是直接用给urlopen的data传参数的形式来传递数据，也可以将参数数据封装给一个Request对象，然后将对象再传递给urlopen。
这种方法可以传递更多的信息，如header等，可以更好的隐藏我们身份，伪装成浏览器访问，如下：
from urllib import request
from urllib import parse
keyword = input('请输入您要搜索的内容：')
url = 'https://www.baidu.com/s'
data = {'kw':keyword}
header = {'Content-Length':len(data)}
req = request.Request(url,data=parse.urlencode(data).encode(),headers=header)
response = request.urlopen(req)
print(response.read().decode())
post方法传参
连接百度翻译接口的小示例
from urllib import request
from urllib import parse
url = 'http://fanyi.baidu.com/sug'
keyword = input('请输入您要翻译的词语')
data = {'kw':keyword}
data = parse.urlencode(data).encode()
header = {'Content-Length':len(data)}
res = request.Request(url,data=data,headers=header)
response = request.urlopen(res)
res = response.read().decode()
print(res)
上面的小示例返回的是一个json类型的字典，输入'girl'之后翻译结果如下：
{"errno":0,"data":[{"k":"girl","v":"n. \u5973\u5b69; \u59d1\u5a18\uff0c\u672a\u5a5a\u5973\u5b50; \u5973\u804c\u5458\uff0c\u5973\u6f14\u5458; \uff08\u7537\u4eba\u7684\uff09\u5973\u670b\u53cb;"},{"k":"girls","v":"n. \u5973\u5b69; \u5973\u513f( girl\u7684\u540d\u8bcd\u590d\u6570 ); \u5973\u5de5; \uff08\u7537\u4eba\u7684\uff09\u5973\u670b\u53cb;"},{"k":"girlfriend","v":"n. \u5973\u670b\u53cb; \u5973\u6027\u670b\u53cb;"},{"k":"girl friend","v":"n. \u5973\u670b\u53cb\uff0c\uff08\u7537\u4eba\u7684\uff09\u60c5\u4eba; \u5bf9\u8c61;"},{"k":"Girls' Generation","v":" \u5c11\u5973\u65f6\u4ee3\uff08\u97e9\u56fdSM\u5a31\u4e50\u6709\u9650\u516c\u53f8\u4e8e2007\u5e74\u63a8\u51fa\u7684\u4e5d\u540d\u5973\u5b50\u5c11\u5973\u7ec4\u5408\uff09;"}]}
我们只需要用json给它转成字典格式，然后循环展示即可查看到结果，如下：
from urllib import request
from urllib import parse
import json
url = 'http://fanyi.baidu.com/sug'
keyword = input('请输入您要翻译的词语')
data = {'kw':keyword}
data = parse.urlencode(data).encode()
header = {'Content-Length':len(data)}
res = request.Request(url,data=data,headers=header)
response = request.urlopen(res)
res = response.read().decode()
fanyi_res = json.loads(res)['data']
for item in fanyi_res:
print(item['k'],item['v'])
结果如下：
请输入您要翻译的词语girl girl n. 女孩; 姑娘，未婚女子; 女职员，女演员; （男人的）女朋友; girls n. 女孩; 女儿( girl的名词复数 ); 女工; （男人的）女朋友; girlfriend n. 女朋友; 女性朋友; girl friend n. 女朋友，（男人的）情人; 对象; Girls' Generation 少女时代（韩国SM娱乐有限公司于2007年推出的九名女子少女组合）;
