Urllib库
Urllib是python内置的HTTP请求库，包括以下模块：urllib.request （请求模块）、urllib.error（ 异常处理模块）、urllib.parse （url解析模块)、urllib.robotparser （robots.txt解析模块）
一、urllib.request 请求模块
1、urllib.request.urlopen
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
注: urlopen一般常用的有三个参数，它的参数如下：
urllib.requeset.urlopen(url,data,timeout)
1.1、url参数：
import urllib.request response = urllib.request.urlopen(‘http://www.baidu.com‘) print(response.read().decode(‘utf-8‘))
1.2、data参数：
import urllib.parse
import urllib.request
data = bytes(urllib.parse.urlencode({‘word‘: ‘hello‘}), encoding=‘utf8‘)
print(data)
response = urllib.request.urlopen(‘http://httpbin.org/post‘, data=data)
print(response.read())
注：这里就用到urllib.parse，通过bytes(urllib.parse.urlencode())可以将post数据进行转换放到urllib.request.urlopen的data参数中。这样就完成了一次post请求。所以如果添加data参数的时候就是以post请求方式请求，如果没有data参数就是get请求方式
1.3、timeout参数
在某些网络情况不好或者服务器端异常的情况会出现请求慢的情况，或者请求异常，所以这个时候我们需要给请求设置一个超时时间，而不是让程序一直在等待结果
import urllib.request response = urllib.request.urlopen(‘http://httpbin.org/get‘, timeout=1) print(response.read())
1.4、响应类型、状态码、响应头
import urllib.request
response = urllib.request.urlopen(‘https://www.python.org‘)
print(type(response))
print(response.status) #获取状态码
print(response.getheaders().response.getheader("server")) #获取头部信息
print(response.read()) #获取响应体的内容
上述的urlopen只能用于一些简单的请求，因为它无法添加一些header信息，如果后面写爬虫我们可以知道，很多情况下我们是需要添加头部信息去访问目标站的，这个时候就用到了urllib.request
2、urllib.request.Request
2.1、request.Request 示例：
import urllib.request request = urllib.request.Request(‘https://python.org‘) response = urllib.request.urlopen(request) print(response.read().decode(‘utf-8‘))
2.2、设置headers(请求头)
有很多网站为了防止程序爬虫爬网站造成网站瘫痪，会需要携带一些headers头部信息才能访问
from urllib import request, parse
url = ‘http://httpbin.org/post‘
headers = {
‘User-Agent‘: ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)‘,
‘Host‘: ‘httpbin.org‘
}
dict = {
‘name‘: ‘QQ‘
}
data = bytes(parse.urlencode(dict), encoding=‘utf8‘)
req = request.Request(url=url, data=data, headers=headers, method=‘POST‘)
response = request.urlopen(req)
print(response.read().decode(‘utf-8‘))
通过add_header设置请求头:
from urllib import request, parse
url = ‘http://httpbin.org/post‘
dict = {
‘name‘: QQ‘
}
data = bytes(parse.urlencode(dict), encoding=‘utf8‘)
req = request.Request(url=url, data=data, method=‘POST‘)
req.add_header(‘User-Agent‘, ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)‘)
response = request.urlopen(req)
print(response.read().decode(‘utf-8‘))
2.3、设置代理
通过rulllib.request.ProxyHandler()可以设置代理,网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问,所以这个时候需要通过设置代理来爬取数据
import urllib.request
proxy_handler = urllib.request.ProxyHandler({
‘http‘: ‘http://127.0.0.1:9743‘,
‘https‘: ‘https://127.0.0.1:9743‘
})
opener = urllib.request.build_opener(proxy_handler)
response = opener.open(‘http://httpbin.org/get‘)
print(response.read())
2.4、设置cookie
cookie中保存中我们常见的登录信息，有时候爬取网站需要携带cookie信息访问
import http.cookiejar, urllib.request
cookie = http.cookiejar.CookieJar() #用于获取cookie以及存储cookie
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open(‘http://www.baidu.com‘)
for item in cookie:
print(item.name+"="+item.value)
同时cookie可以写入到文件中保存，有两种方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()
1 import http.cookiejar, urllib.request 2 filename = "cookie.txt" 3 cookie = http.cookiejar.MozillaCookieJar(filename) 4 handler = urllib.request.HTTPCookieProcessor(cookie) 5 opener = urllib.request.build_opener(handler) 6 response = opener.open(‘http://www.baidu.com‘) 7 cookie.save(ignore_discard=True, ignore_expires=True)
1 import http.cookiejar, urllib.request 2 filename = ‘cookie.txt‘ 3 cookie = http.cookiejar.LWPCookieJar(filename) 4 handler = urllib.request.HTTPCookieProcessor(cookie) 5 opener = urllib.request.build_opener(handler) 6 response = opener.open(‘http://www.baidu.com‘) 7 cookie.save(ignore_discard=True, ignore_expires=True)
同样的如果想要通过获取文件中的cookie获取的话可以通过load方式，哪种方式写入的，就用哪种方式读取
1 import http.cookiejar, urllib.request 2 cookie = http.cookiejar.LWPCookieJar() 3 cookie.load(‘cookie.txt‘, ignore_discard=True, ignore_expires=True) 4 handler = urllib.request.HTTPCookieProcessor(cookie) 5 opener = urllib.request.build_opener(handler) 6 response = opener.open(‘http://www.baidu.com‘) 7 print(response.read().decode(‘utf-8‘))
二、urllib.error 异常处理模块
在很多时候我们通过程序访问页面的时候，有的页面可能会出现错误，类似404，500等错误，这个时候就需要我们捕捉异常：
1、URLError ：reason属性，抓异常的时候只能打印错误信息
from urllib import request,error
try:
response = request.urlopen("http://pythonsite.com/1111.html")
except error.URLError as e:
print(e.reason)
1 import socket 2 3 from urllib import error,request 4 5 try: 6 response = request.urlopen("http://www.pythonsite.com/",timeout=0.001) 7 except error.URLError as e: 8 print(type(e.reason)) 9 if isinstance(e.reason,socket.timeout): 10 print("time out")
2、HTTPError（HTTPError是URLError的子类）里有三个属性：code,reason,headers
from urllib import request,error
try:
response = request.urlopen("http://pythonsite.com/1111.html")
except error.HTTPError as e:
print(e.reason)
print(e.code)
print(e.headers)
except error.URLError as e:
print(e.reason)
else:
print("reqeust successfully")
