python3之模块urllib
urllib是python内置的HTTP请求库，无需安装即可使用，它包含了4个模块：
request：它是最基本的http请求模块，用来模拟发送请求
error：异常处理模块，如果出现错误可以捕获这些异常
parse：一个工具模块，提供了许多URL处理方法，如：拆分、解析、合并等
robotparser：主要用来识别网站的robots.txt文件，然后判断哪些网站可以爬
1、urllib.request.urlopen()
urllib.request.urlopen(url,data=None,[timeout,],cafile=None,capath=None,cadefault=False,context=None)
请求对象，返回一个HTTPResponse类型的对象，包含的方法和属性：
方法：read()、readinto()、getheader(name)、getheaders()、fileno()
属性：msg、version、status、reason、bebuglevel、closed
import urllib.request response=urllib.request.urlopen('https://www.python.org') #请求站点获得一个HTTPResponse对象 #print(response.read().decode('utf-8')) #返回网页内容 #print(response.getheader('server')) #返回响应头中的server值 #print(response.getheaders()) #以列表元祖对的形式返回响应头信息 #print(response.fileno()) #返回文件描述符 #print(response.version) #返回版本信息 #print(response.status) #返回状态码200，404代表网页未找到 #print(response.debuglevel) #返回调试等级 #print(response.closed) #返回对象是否关闭布尔值 #print(response.geturl()) #返回检索的URL #print(response.info()) #返回网页的头信息 #print(response.getcode()) #返回响应的HTTP状态码 #print(response.msg) #访问成功则返回ok #print(response.reason) #返回状态信息
urlopen()方法可传递参数：
url：网站地址，str类型，也可以是一个request对象
data：data参数是可选的，内容为字节流编码格式的即bytes类型，如果传递data参数，urlopen将使用Post方式请求
from urllib.request import urlopen import urllib.parse data = bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf-8')
#data需要字节类型的参数，使用bytes()函数转换为字节，使用urllib.parse模块里的urlencode()方法来讲参数字典转换为字符串并指定编码 response = urlopen('http://httpbin.org/post',data=data) print(response.read()) #output b'{ "args":{}, "data":"", "files":{},
"form":{"word":"hello"}, #form字段表明模拟以表单的方法提交数据，post方式传输数据 "headers":{"Accept-Encoding":"identity",
"Connection":"close",
"Content-Length":"10",
"Content-Type":"application/x-www-form-urlencoded",
"Host":"httpbin.org",
"User-Agent":"Python-urllib/3.5"}, "json":null, "origin":"114.245.157.49", "url":"http://httpbin.org/post"}\n'
timeout参数：用于设置超时时间，单位为秒，如果请求超出了设置时间还未得到响应则抛出异常，支持HTTP,HTTPS,FTP请求
import urllib.request response=urllib.request.urlopen('http://httpbin.org/get',timeout=0.1) #设置超时时间为0.1秒,将抛出异常 print(response.read()) #output urllib.error.URLError: <urlopen error timed out> #可以使用异常处理来捕获异常 import urllib.request import urllib.error import socket try: response=urllib.request.urlopen('http://httpbin.org/get',timeout=0.1) print(response.read()) except urllib.error.URLError as e: if isinstance(e.reason,socket.timeout): #判断对象是否为类的实例 print(e.reason) #返回错误信息 #output timed out
其他参数：context参数，她必须是ssl.SSLContext类型，用来指定SSL设置，此外,cafile和capath这两个参数分别指定CA证书和它的路径，会在https链接时用到。
2、urllib.request.Requset()
urllib.request.Request(url,data=None,headers={},origin_req_host=None,unverifiable=False,method=None)
参数：
url：请求的URL，必须传递的参数，其他都是可选参数
data：上传的数据，必须传bytes字节流类型的数据，如果它是字典，可以先用urllib.parse模块里的urlencode()编码
headers：它是一个字典，传递的是请求头数据，可以通过它构造请求头，也可以通过调用请求实例的方法add_header()来添加
例如：修改User_Agent头的值来伪装浏览器，比如火狐浏览器可以这样设置：
{'User-Agent':'Mozilla/5.0 (compatible; MSIE 5.5; Windows NT)'}
origin_req_host：指请求方的host名称或者IP地址
unverifiable：表示这个请求是否是无法验证的，默认为False，如我们请求一张图片如果没有权限获取图片那它的值就是true
method：是一个字符串，用来指示请求使用的方法，如：GET,POST,PUT等
#!/usr/bin/env python #coding:utf8 from urllib import request,parse url='http://httpbin.org/post' headers={ 'User-Agent':'Mozilla/5.0 (compatible; MSIE 5.5; Windows NT)', 'Host':'httpbin.org' } #定义头信息 dict={'name':'germey'} data = bytes(parse.urlencode(dict),encoding='utf-8') req = request.Request(url=url,data=data,headers=headers,method='POST')
#req.add_header('User-Agent','Mozilla/5.0 (compatible; MSIE 8.4; Windows NT') #也可以request的方法来添加
response = request.urlopen(req)
print(response.read())
3、urllib.request的高级类
在urllib.request模块里的BaseHandler类，他是所有其他Handler的父类，他是一个处理器，比如用它来处理登录验证，处理cookies，代理设置，重定向等
它提供了直接使用和派生类使用的方法：
add_parent(director)：添加director作为父类
close()：关闭它的父类
parent()：打开使用不同的协议或处理错误
defautl_open(req)：捕获所有的URL及子类，在协议打开之前调用
Handler的子类包括：
HTTPDefaultErrorHandler：用来处理http响应错误，错误会抛出HTTPError类的异常
HTTPRedirectHandler：用于处理重定向
HTTPCookieProcessor：用于处理cookies
ProxyHandler：用于设置代理，默认代理为空
HTTPPasswordMgr：永远管理密码，它维护用户名和密码表
HTTPBasicAuthHandler：用户管理认证，如果一个链接打开时需要认证，可以使用它来实现验证功能
OpenerDirector类是用来处理URL的高级类，它分三个阶段来打开URL：
在每个阶段中调用这些方法的顺序是通过对处理程序实例 进行排序来确定的；每个使用此类方法的程序都会调用protocol_request()方法来预处理请求，然后调用protocol_open()来处理请求，最后调用protocol_response()方法来处理响应。
之前的urlopen()方法就是urllib提供的一个Opener，通过Handler处理器来构建Opener实现Cookies处理,代理设置，密码设置等
Opener的方法包括：
add_handler(handler)：添加处理程序到链接中
open(url,data=None[,timeout])：打开给定的URL与urlopen()方法相同
error(proto,*args)：处理给定协议的错误
密码验证：
#!/usr/bin/env python #coding:utf8 from urllib.request import HTTPPasswordMgrWithDefaultRealm,HTTPBasicAuthHandler,build_opener from urllib.error import URLError username='username' passowrd='password' url='http://localhost' p=HTTPPasswordMgrWithDefaultRealm() #构造密码管理实例 p.add_password(None,url,username,passowrd) #添加用户名和密码到实例中 auth_handler=HTTPBasicAuthHandler(p) #传递密码管理实例构建一个验证实例 opener=build_opener(auth_handler) #构建一个Opener try: result=opener.open(url) #打开链接，完成验证，返回的结果是验证后的页面内容 html=result.read().decode('utf-8') print(html) except URLError as e: print(e.reason)
代理设置：
#!/usr/bin/env python #coding:utf8 from urllib.error import URLError from urllib.request import ProxyHandler,build_opener proxy_handler=ProxyHandler({ 'http':'http://127.0.0.1:8888', 'https':'http://127.0.0.1:9999' }) opener=build_opener(proxy_handler) #构造一个Opener try: response=opener.open('https://www.baidu.com') print(response.read().decode('utf-8')) except URLError as e: print(e.reason)
Cookies：
获取网站的Cookies
#!/usr/bin/env python #coding:utf8 import http.cookiejar,urllib.request cookie=http.cookiejar.CookieJar() #实例化cookiejar对象 handler=urllib.request.HTTPCookieProcessor(cookie) #构建一个handler opener=urllib.request.build_opener(handler) #构建Opener response=opener.open('http://www.baidu.com') #请求 print(cookie) for item in cookie: print(item.name+"="+item.value)
Mozilla型浏览器的cookies格式，保存到文件：
#!/usr/bin/env python #coding:utf8 import http.cookiejar,urllib.request fielname='cookies.txt' cookie=http.cookiejar.MozillaCookieJar(filename=fielname) #创建保存cookie的实例，保存浏览器类型的Mozilla的cookie格式 #cookie=http.cookiejar.CookieJar() #实例化cookiejar对象 handler=urllib.request.HTTPCookieProcessor(cookie) #构建一个handler opener=urllib.request.build_opener(handler) #构建Opener response=opener.open('http://www.baidu.com') #请求 cookie.save(ignore_discard=True,ignore_expires=True)
也可以保存为libwww-perl(LWP)格式的Cookies文件
cookie=http.cookiejar.LWPCookieJar(filename=fielname)
从文件中读取cookies：
#!/usr/bin/env python #coding:utf8 import http.cookiejar,urllib.request #fielname='cookiesLWP.txt' #cookie=http.cookiejar.MozillaCookieJar(filename=fielname) #创建保存cookie的实例，保存浏览器类型的Mozilla的cookie格式 #cookie=http.cookiejar.LWPCookieJar(filename=fielname) #LWP格式的cookies #cookie=http.cookiejar.CookieJar() #实例化cookiejar对象 cookie=http.cookiejar.LWPCookieJar() cookie.load('cookiesLWP.txt',ignore_discard=True,ignore_expires=True) handler=urllib.request.HTTPCookieProcessor(cookie) #构建一个handler opener=urllib.request.build_opener(handler) #构建Opener response=opener.open('http://www.baidu.com') #请求 print(response.read().decode('utf-8'))
4、异常处理
urllib的error模块定义了由request模块产生的异常，如果出现问题，request模块便会抛出error模块中定义的异常。
1）URLError
URLError类来自urllib库的error模块，它继承自OSError类，是error异常模块的基类，由request模块产生的异常都可以通过捕获这个类来处理
它只有一个属性reason，即返回错误的原因
#!/usr/bin/env python #coding:utf8 from urllib import request,error try: response=request.urlopen('https://hehe,com/index') except error.URLError as e: print(e.reason) #如果网页不存在不会抛出异常，而是返回捕获的异常错误的原因(Not Found)
reason如超时则返回一个对象
#!/usr/bin/env python #coding:utf8 import socket import urllib.request import urllib.error try: response=urllib.request.urlopen('https://www.baidu.com',timeout=0.001) except urllib.error.URLError as e: print(e.reason) if isinstance(e.reason,socket.timeout): print('time out')
2）HTTPError
它是URLError的子类，专门用来处理HTTP请求错误，比如认证请求失败，它有3个属性：
code：返回HTTP的状态码，如404页面不存在，500服务器错误等
reason：同父类，返回错误的原因
headers：返回请求头
#!/usr/bin/env python #coding:utf8 from urllib import request,error try: response=request.urlopen('http://cuiqingcai.com/index.htm') except error.HTTPError as e: #先捕获子类异常 print(e.reason,e.code,e.headers,sep='\n') except error.URLError as e: #再捕获父类异常 print(e.reason) else: print('request successfully')
5、解析链接
urllib库提供了parse模块，它定义了处理URL的标准接口，如实现URL各部分的抽取，合并以及链接转换，它支持如下协议的URL处理：file,ftp,gopher,hdl,http,https,imap,mailto,mms,news,nntp,prospero,rsync,rtsp,rtspu,sftp,sip,sips,snews,svn,snv+ssh,telnet,wais
urllib.parse.urlparse(urlstring,scheme='',allow_fragments=True)
通过urlparse的API可以看到，它还可以传递3个参数
urlstring：待解析的URL，字符串
scheme：它是默认的协议，如http或者https，URL如果不带http协议，可以通过scheme来指定，如果URL中制定了http协议则URL中生效
allow_fragments：是否忽略fragment即锚点，如果设置为False，fragment部分会被忽略，反之不忽略
1）urlparse()
该方法可以实现URL的识别和分段，分别是scheme(协议),netloc(域名),path(路径),params(参数),query(查询条件),fragment(锚点)
#!/usr/bin/env python #coding:utf8 from urllib.parse import urlparse result=urlparse('http://www.baidu.com/index.html;user?id=5#comment') print(type(result),result,sep='\n') #返回的是一个元祖 print(result.scheme,result[0]) #可以通过属性或者索引来获取值 print(result.netloc,result[1]) print(result.path,result[2]) print(result.params,result[3]) print(result.query,result[4]) print(result.fragment,result[5]) #output #返回结果是一个parseresult类型的对象，它包含6个部分， #分别是scheme(协议),netloc(域名),path(路径),params(参数),query(查询条件),fragment(锚点) <class 'urllib.parse.ParseResult'> ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html', params='user', query='id=5', fragment='comment') http http www.baidu.com www.baidu.com /index.html /index.html user user id=5 id=5 comment comment
指定scheme协议，allow_fragments忽略锚点信息：
from urllib.parse import urlparse result=urlparse('www.baidu.com/index.html;user?id=5#comment',scheme='https',allow_fragments=False) print(result) #output ParseResult(scheme='https', netloc='', path='www.baidu.com/index.html', params='user', query='id=5#comment', fragment='')
2）urlunparse()
与urlparse()相反，通过列表或者元祖的形式接受一个可迭代的对象，实现URL构造
#!/usr/bin/env python #coding:utf8 from urllib.parse import urlunparse data=['http','www.baidu.com','index.html','user','a=6','comment'] print(urlunparse(data)) #构造一个完整的URL #output http://www.baidu.com/index.html;user?a=6#comment
3)urlsplit()
与urlparse()方法类似，它会返回5个部分，把params合并到path中
#!/usr/bin/env python #coding:utf8 from urllib.parse import urlsplit result=urlsplit('http://www.baidu.com/index.html;user?id=5#comment') print(result) #output SplitResult(scheme='http', netloc='www.baidu.com', path='/index.html;user', query='id=5', fragment='comment')
4)urlunsplit()
与urlunparse()类似，它也是将链接的各部分组合完整的链接的方法，传入的参数也是可迭代的对象，如列表元祖等，唯一的区别是长度必须是5个，它省略了params
#!/usr/bin/env python #coding:utf8 from urllib.parse import urlsplit,urlunsplit data=['http','www.baidu.com','index.html','a=5','comment'] result=urlunsplit(data) print(result) #output http://www.baidu.com/index.html?a=5#comment
5)urljoin()
通过将基本URL（base）与另一个URL(url)组合起来构建完整URL，它会使用基本URL组件，协议(schemm)、域名(netloc)、路径(path)、来提供给URL中缺失的部分进行补充，最后返回结果
#!/usr/bin/env python #coding:utf8 from urllib.parse import urljoin print(urljoin('http://www.baidu.com','index.html')) print(urljoin('http://www.baidu.com','http://cdblogs.com/index.html')) print(urljoin('http://www.baidu.com/home.html','https://cnblog.com/index.html')) print(urljoin('http://www.baidu.com?id=3','https://cnblog.com/index.html?id=6')) print(urljoin('http://www.baidu.com','?id=2#comment')) print(urljoin('www.baidu.com','https://cnblog.com/index.html?id=6')) #output http://www.baidu.com/index.html http://cdblogs.com/index.html https://cnblog.com/index.html https://cnblog.com/index.html?id=6 http://www.baidu.com?id=2#comment https://cnblog.com/index.html?id=6
base_url提供了三项内容scheme,netloc,path，如果这3项在新的链接中不存在就给予补充，如果新的链接存在就使用新的链接部分，而base_url中的params,query和fragment是不起作用的。通过urljoin()方法可以实现链接的解析、拼接和生成
6)urlencode()
urlencode()在构造GET请求参数时很有用，它可以将字典转化为GET请求参数
#!/usr/bin/env python #coding:utf8 from urllib.parse import urlencode params = {'username':'zs','password':'123'} base_url='http://www.baidu.com' url=base_url+'?'+urlencode(params) #将字典转化为get参数 print(url) #output http://www.baidu.com?password=123&username=zs
7)parse_qs()
parse_qs()与urlencode()正好相反，它是用来反序列化的，如将GET参数转换回字典格式
#!/usr/bin/env python #coding:utf8 from urllib.parse import urlencode,parse_qs,urlsplit params = {'username':'zs','password':'123'} base_url='http://www.baidu.com' url=base_url+'?'+urlencode(params) #将字典转化为get参数 query=urlsplit(url).query #获去URL的query参数条件 print(parse_qs(query)) #根据获取的GET参数转换为字典格式
#output
{'username': ['zs'], 'password': ['123']}
8)parse_qsl()它将参数转换为元祖组成的列表
#!/usr/bin/env python #coding:utf8 from urllib.parse import urlencode,urlsplit,parse_qsl params = {'username':'zs','password':'123'} base_url='http://www.baidu.com' url=base_url+'?'+urlencode(params) #将字典转化为get参数 query=urlsplit(url).query #获去URL的query参数条件 print(parse_qsl(query)) #将转换成列表形式的元祖对 #output [('username', 'zs'), ('password', '123')]
9)quote()：该方法可以将内容转换为URL编码的格式，如参数中带有中文时，有时会导致乱码的问题，此时用这个方法将中文字符转化为URL编码
#!/usr/bin/env python #coding:utf8 from urllib.parse import quote key='中文' url='https://www.baidu.com/s?key='+quote(key) print(url) #output https://www.baidu.com/s?key=%E4%B8%AD%E6%96%87
10)unquote()：与quote()相反，他用来进行URL解码
#!/usr/bin/env python #coding:utf8 from urllib.parse import quote,urlsplit,unquote key='中文' url='https://www.baidu.com/s?key='+quote(key) print(url) unq=urlsplit(url).query.split('=')[1] #获取参数值 print(unquote(unq)) #解码参数
6、分析Robots协议
利用urllib的robotparser模块，我们可以实现网站Robots协议的分析
1）Robots协议
Robots协议也称为爬虫协议、机器人协议，它的全名叫做网络爬虫排除标准(Robots Exclusion Protocol)，用来告诉爬虫和搜索引擎哪些网页可以抓取，哪些不可以抓取，它通常是一个robots.txt的文本文件，一般放在网站的根目录下。
当搜索爬虫访问一个站点时，它首先会检查这个站点根目录下是否存在robots.txt文件，如果存在，搜索爬虫会根据其中定义的爬去范围来爬取，如果没有找到，搜索爬虫会访问所有可直接访问的页面
我们来看下robots.txt的样例：
User-agent: * Disallow: / Allow: /public/
它实现了对所有搜索爬虫只允许爬取public目录的功能，将上述内容保存为robots.txt文件放在网站根目录下，和网站的入口文件（index.html）放在一起
User-agent描述了搜索爬虫的名称，将其设置为*则代表协议对任何爬虫有效，如设置为Baiduspider则代表规则对百度爬虫有效，如果有多条则对多个爬虫受到限制，但至少需要指定一条
一些常见的搜索爬虫名称：
BaiduSpider 百度爬虫 www.baidu.com
Googlebot Google爬虫 www.google.com
360Spider 360爬虫 www.so.com
YodaoBot 有道爬虫 www.youdao.com
ia_archiver Alexa爬虫 www.alexa.cn
Scooter altavista爬虫 www.altavista.com
Disallow指定了不允许抓取的目录，如上例中设置的/则代表不允许抓取所有的页面
Allow一般和Disallow一起使用，用来排除单独的某些限制，如上例中设置为/public/则表示所有页面不允许抓取，但可以抓取public目录
设置示例：
#禁止所有爬虫 User-agent: * Disallow: / #允许所有爬虫访问任何目录,另外把文件留空也可以 User-agent: * Disallow: #禁止所有爬虫访问某那些目录 User-agent: * Disallow: /home/ Disallow: /tmp/ #只允许某一个爬虫访问 User-agent: BaiduSpider Disallow: User-agent: * Disallow: /
2）robotparser
rebotparser模块用来解析robots.txt，该模块提供了一个类RobotFileParser，它可以根据某网站的robots.txt文件来判断一个抓取爬虫时都有权限来抓取这个网页
urllib.robotparser.RobotFileParser(url='')
robotparser类常用的方法：
set_url()：用来设置robots.txt文件的连接，如果在创建RobotFileParser对象是传入了连接，就不需要在使用这个方法设置了
read()：读取reobts.txt文件并进行分析，它不会返回任何内容，但执行那个了读取和分析操作
parse()：用来解析robots.txt文件，传入的参数是robots.txt某些行的内容，并安装语法规则来分析内容
can_fetch()：该方法传入两个参数，第一个是User-agent，第二个是要抓取的URL，返回的内容是该搜索引擎是否可以抓取这个url,结果为True或False
mtime()：返回上次抓取和分析robots.txt的时间
modified()：将当前时间设置为上次抓取和分析robots.txt的时间
#!/usr/bin/env python #coding:utf8 from urllib.robotparser import RobotFileParser rp = RobotFileParser() #创建对象 rp.set_url('https://www.cnblogs.com/robots.txt') #设置robots.txt连接，也可以在创建对象时指定 rp.read() #读取和解析文件 print(rp.can_fetch('*','https://i.cnblogs.com/EditPosts.aspx?postid=9170312&update=1')) #坚持链接是否可以被抓取
