Python3下urllib模块基础方法

Python3下urllib模块的基础方法使用笔记

基本方法

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

• url: 需要打开的网址
• data：Post提交的数据

• timeout：设置网站的访问超时时间
  直接用urllib.request模块的urlopen()获取页面，page的数据格式为bytes类型，需要decode()解码，转换成str类型。

  from urllib import request
  response = request.urlopen(r"http://python.org/")
  # <http.client.HTTPResponse object at 0x00000000048BC908> HTTPResponse类型
  page = response.read()
  page = page.decode("utf-8")

urlopen返回对象提供方法：read() , readline() ,readlines() , fileno() , close() 对HTTPResponse类型数据进行操作

• info()：返回HTTPMessage对象，表示远程服务器返回的头信息
• getcode()：返回Http状态码。如果是http请求，200请求成功完成;404网址未找到
• geturl()：返回请求的url

使用 Request

urllib.request.Request(url, data=None, headers={}, method=None)

使用request()来包装请求，再通过urlopen()获取页面。

url = r"http://www.lagou.com/zhaopin/Python/?labelWords=label"
headers = {
    "User-Agent": r"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3",
    "Referer": r"http://www.lagou.com/zhaopin/Python/?labelWords=label",
    "Connection": "keep-alive"
    }
req = request.Request(url, headers=headers)
page = request.urlopen(req).read()
page = page.decode("utf-8")

用来包装头部的数据：

• User-Agent ：这个头部可以携带如下几条信息：浏览器名和版本号、操作系统名和版本号、默认语言
• Referer：可以用来防止盗链，有一些网站图片显示来源http://*.com，就是检查Referer来鉴定的
• Connection：表示连接状态，记录Session的状态。

Post数据

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

urlopen()的data参数默认为None，当data参数不为空的时候，urlopen()提交方式为Post。

from urllib import request, parse
url = r"http://www.lagou.com/jobs/positionAjax.json?"
headers = {
    "User-Agent": r"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) "
        r"Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3",
    "Referer": r"http://www.lagou.com/zhaopin/Python/?labelWords=label",
    "Connection": "keep-alive"
}
data = {
    "first": "true",
    "pn": 1,
    "kd": "Python"
}
data = parse.urlencode(data).encode("utf-8")
req = request.Request(url, headers=headers, data=data)
page = request.urlopen(req).read()
page = page.decode("utf-8")

urllib.parse.urlencode(query, doseq=False, safe="", encoding=None, errors=None)

urlencode()主要作用就是将url附上要提交的数据。

data = {
    "first": "true",
    "pn": 1,
    "kd": "Python"
}
data = parse.urlencode(data).encode("utf-8")

经过urlencode()转换后的data数据为?first=true?pn=1?kd=Python，最后提交的url为

http://www.lagou.com/jobs/positionAjax.json?first=true?pn=1?kd=Python

Post的数据必须是bytes或者iterable of bytes，不能是str，因此需要进行encode()编码

page = request.urlopen(req, data=data).read()
当然，也可以把data的数据封装在urlopen()参数中

异常处理

def get_page(url):
headers = {
    "User-Agent": r"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) "
                  r"Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3",
    "Referer": r"http://www.lagou.com/zhaopin/Python/?labelWords=label",
    "Connection": "keep-alive"
}
data = {
    "first": "true",
    "pn": 1,
    "kd": "Python"
}
data = parse.urlencode(data).encode("utf-8")
req = request.Request(url, headers=headers)
try:
page = request.urlopen(req, data=data).read()
page = page.decode("utf-8")
except error.HTTPError as e:
print(e.code())
print(e.read().decode("utf-8"))
return page

使用代理

urllib.request.ProxyHandler(proxies=None)
当需要抓取的网站设置了访问限制，这时就需要用到代理来抓取数据。

data = {
    "first": "true",
    "pn": 1,
    "kd": "Python"
}
proxy = request.ProxyHandler({"http": "5.22.195.215:80"})  # 设置proxy
opener = request.build_opener(proxy)  # 挂载opener
request.install_opener(opener)  # 安装opener
data = parse.urlencode(data).encode("utf-8")
page = opener.open(url, data).read()
page = page.decode("utf-8")
return page