python urllib.request模块

python的urllib模块提供了一系列操作url的功能，可以让我们通过url打开任意资源。其中比较常用的就是request模块，本篇主要介绍requset模块。

urllib子模块

• urllib.request 打开或请求url

• urllib.error 捕获处理请求时产生的异常

• urllib.parse 解析url

• urllib.robotparser 用于解析robots.txt文件

robots.txt是一种存放于网站根目录下文本文件，用来告诉网络爬虫服务器上的那些文件可以被查看。又被成为robots协议，是一种约定俗成的协议。

request模块

function request.urlopen()

urlopen方法用来打开资源url，常用带参数形式urlopen(url,data=None)，url：资源url，data：携带的数据。

方法的返回值始终为一个对象，并可以调用相应的方法获取返回的信息。其中对于http及https的url来说会返回一个http.client.HTTPResponse对象；

import urllib.request
# 我们用本地的一个简单html文件来测试
url = 'http://127.0.0.1:8848/chenjy/test.html'

req = urllib.request.urlopen(url)

print(req)

1. read() 返回服务器返回的原始数据；

import urllib.request

url ='http://127.0.0.1:8848/chenjy/test.html'

req = urllib.request.urlopen(url)

print(req.read())

• 我们可以再调用decode()方法来解码。

import urllib.request

url = 'http://127.0.0.1:8848/chenjy/test.html'

req = urllib.request.urlopen(url)

print(req.read().decode())

2.geturl() 返回获取资源的url；

• 创建一个测试页

import urllib.request
url = 'http://127.0.0.1:8848/chenjy/test.html' 

req = urllib.request.urlopen(url)

print(req.geturl())

• 前端重定向

我们在页面中添加js脚本重定向页面window.location.href='http://127.0.0.1:8848/chenjy/test2.html';，会发现访问的时候会重定向到test2，但是geturl还是获取的重定向前的

• 后端重定向

我们启动一个项目并添加一个拦截器当访问index.html的时候重定向到/ls/html/list.html页面,geturl获取的是重定向后的页面

@Override
    	        public void handle(String target, HttpServletRequest request, HttpServletResponse response, boolean[] isHandled) {
    	            int index = target.lastIndexOf("index.html");
    	    	    if (index != -1){
        	        	HandlerKit.redirect("/ls/html/list.html",request,response,isHandled);
    	    	    }
    	            
    	        }

import urllib.request
url = 'http://localhost:8088/ls/index.html'

req = urllib.request.urlopen(url)

print(req.geturl())

3.info() 返回页面的元信息；

import urllib.request
url = 'http://127.0.0.1:8848/chenjy/test.html'

req = urllib.request.urlopen(url)

print(req.info())

4.getcode() 返回页面的状态码；

import urllib.request
url = 'http://127.0.0.1:8848/chenjy/test.html'

req = urllib.request.urlopen(url)

print(req.getcode())

class request.Request

url请求类 Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

• url：请求url

• data：请求传参；bytes字节流

• headers：请求头

• origin_req_host：请求原始主机；不带端口

• unverifiable：是否不可验证；

• method ：请求方法；如GET、POST、PUT等

import urllib.request

# 模拟iphone5请求百度手机版页面
url = 'https://www.baidu.com/'

user_agent = 'Mozilla/5.0 (iPhone; CPU iPhone OS 10_3_1 like Mac OS X) AppleWebKit/603.1.30 (KHTML, like Gecko) Version/10.0 Mobile/14E304 Safari/602.1'
headers = {
    'User-Agent': user_agent
}

# 抓取page信息
req = urllib.request.Request(url, headers=headers,method='GET')
page = urllib.request.urlopen(req).read().decode('utf-8')

print(page)