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，進行超時處理
  • status狀態碼 && getheaders()
  • 突破反爬

---

前言

想要進行python爬蟲首先我們需要先將網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庫用于操作網頁 URL，并對網頁的內容進行抓取處理

• urllib 包 包含以下幾個模塊：
  • 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

下面我們來詳細說明一下這兩個常用模塊的基本運用

urllib.request模塊

urllib.request 定義了一些打開 URL 的函數和類，包含授權驗證、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：發送到服務器的其他數據對象，默認為 None。
  • timeout：設置訪問超時時間。
  • cafile 和 capath：cafile 為 CA 證書， capath 為 CA 證書的路徑，使用 HTTPS 需要用到。
  • cadefault：已經被棄用。
  • context：ssl.SSLContext類型，用來指定 SSL 設置。

# -*- 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") #返回的是存儲網頁數據的對象 #print(response) 可以嘗試打印一下看一下 print(response.read().decode('utf-8')) #通過read將數據讀取出來, 使用utf-8解碼防止有的地方出現亂碼

將其打印的內容寫到一個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") #返回的是存儲網頁數據的對象 data = response.read().decode('utf-8') #通過read將數據讀取出來, 使用utf-8解碼防止有的地方出現亂碼 #print(data) with open("index.html",'w',encoding='utf-8') as wfile: #或者你們也可以常規打開，不過需要最后關閉記得close()wfile.write(data)print("讀取結束")

urllib.parse模塊

有時我們爬蟲需要模擬瀏覽器進行用戶登錄等操作，這個時候我們就需要進行post請求

但是post必須有一個獲取請求之后的響應，也就是我們需要有一個服務器。給大家介紹一個免費的服務器網址，就是用來測試用的http://httpbin.org/。主要用來測試http和https的


我們可以嘗試執行一下，去獲取對應的響應。


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

我們也可以通過爬蟲來實現

# -*- 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') #轉換為二進制數據包，里面是鍵值對（有時輸入的用戶名：密碼就是這樣的），還有一些編碼解碼的數值等.這里就是按照utf-8的格式進行解析封裝生成二進制數據包 response = urllib.request.urlopen("http://httpbin.org/post",data=data) #返回的請求 print(response.read().decode('utf-8')) #通過read將數據讀取出來, 使用utf-8解碼防止有的地方出現亂碼

兩個響應結果對比是不是一樣幾乎

相當于進行了一次模擬的post請求。這樣有些需要登錄的網站也是可以爬取的。

利用try-except，進行超時處理

一般進行爬蟲時，不可能一直等待響應。有時網絡不好或者網頁有反爬或者一些其他東西時。無法快速爬出。我們就可以進入下一個網頁繼續去爬。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) #返回的是存儲網頁數據的對象, 直接用這個網址的get請求了.timeout表示超時，超過0.01秒不響應就報錯，避免持續等待print(response.read().decode('utf-8')) #通過read將數據讀取出來, 使用utf-8解碼防止有的地方出現亂碼 except urllib.error.URLError as e:print("超時了\t\t錯誤為：",e)

status狀態碼 && getheaders()

• status:
  • 返回200，正確響應可以爬取
  • 報錯404，沒有找到網頁
  • 報錯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對應的值，比如：上圖 gethead(content-encoding) 為 gzip

突破反爬

首先打開任何一個網頁按F12找到Response Headers，拉到最下面找到 User-Agent。將其復制保存下來，為反爬做準備。

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

為什么418呢，因為如果是直接進行請求訪問的話，發過去的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送的請求 response = urllib.request.urlopen(request) #返回的是存儲網頁數據的對象 data = response.read().decode('utf-8') #通過read將數據讀取出來, 使用utf-8解碼防止有的地方出現亂碼 with open("index.html",'w',encoding='utf-8') as wfile: #或者你們也可以常規打開，不過需要最后關閉記得close()wfile.write(data)

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

• 瀏覽器訪問結果
  
• 爬蟲訪問結果

# -*- 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) #返回的是存儲網頁數據的對象 data = response.read().decode('utf-8') #通過read將數據讀取出來, 使用utf-8解碼防止有的地方出現亂碼 print(data)

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。