来自 威尼斯国际官方网站 2019-11-14 16:40 的文章
当前位置: 威尼斯国际官方网站 > 威尼斯国际官方网站 > 正文

urllib常用操作

lz提示一点,python3中urllib包括了py2中的urllib+urllib2。[python2和python3的区别、转换及共存 - urllib]

urllib库

python内置的HTTP请求库

怎样扒网页?

四个模块:request,parse,error,rebotparser

其实就是根据URL来获取它的网页信息,虽然我们在浏览器中看到的是一幅幅优美的画面,但是其实是由浏览器解释才呈现出来的,实质它是一段HTML代码,加 JS、CSS。

一。request模块

请求对象组成:url,参数,请求头,请求体四部分。

response = urllib.request.urlopen(url,data=None,timeout,..)

response = urllib.request.urlopen(Request对象)

如果把网页比作一个人,那么HTML便是他的骨架,JS便是他的肌肉,CSS便是它的衣服。所以最重要的部分是存在于HTML中的。

Request对象

urllib.request.Request(url,data,headers,method)

扒网页的栗子**
**py2:

data是作为请求体进行传递的

data = bytes(utllib.parse.urlencode(map),'utf-8')

headers的一些属性:

User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求

Referer:有的服务器会识别headers中的referer是不是自己

Content-Type : 在使用 REST 接口时,服务器会检查该值,用来确定 HTTP Body 中的内容该怎样解析。

application/xml : 在 XML RPC,如 RESTful/SOAP 调用时使用

application/json : 在 JSON RPC 调用时使用

application/x-www-form-urlencoded : 浏览器提交 Web 表单时使用在使用服务器提供的 RESTful 或 SOAP 服务时, Content-Type 设置错误会导致服务器拒绝服务

例如

headers={

    'User-Agent':'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',

    'Referer':''

}

import urllib2
response = urllib2.urlopen("")
print response.read()

response对象

响应对象组成:状态码,响应头,响应主体

状态码,响应头,响应主体

response.status

response.getheaders()    /   response.getheaders("server")

response.read().decode('utf-8')    # 如果不加decode,则返回的是bytes类型的流

py3:

二。parse模块(URL解析和URL引用)

1.URL解析:urlparse将url解析成各个组件和urlunparse将组件拼装成url

from urllib import request

urlparse

urllib.parse.urlparse(urlstring,scheme='',allow_fragments=True)

# scheme指定协议类型,如果url中已经存在,则scheme不起作用

#allow_fragments为false时,fragment将为空,#后的内容将前移至path中,如果path之后的参数全为空

#URL组成

URL:scheme://netloc/path;parameters?query#fragment

response = request.urlopen("")

urljoin

将前后两个url进行拼接,每个url分成6个部分,后面那个参数会被分割后会填充前面那个参数中分割后不存在的那个部分,双方都有的话,将以前者为准

urljoin('')

>>>''

print(response.read().decode())

urlencode

将字典转为query的形式

from urllib.parse import urlencode

params = {

    'name' :'tim',

    'age' :23

}

print(urlencode(params))

>>> name='tim'&age=23

真正的程序就两行,运行结果:

urlunparse

将url的6个部分拼接成url

data = {'','',...}

威尼斯国际官方网站 1

三。error模块

由request产生。主要存在两个类:URLError,HTTPError(继承URLError)

URLError属性:reason

HTTPError属性:code,reason,headers

Note:

四。rebotparser模块

用来解析robots.txt文件,不常用。

五。高级用法

  1. Opener

当你获取一个URL你使用一个opener(一个urllib2.OpenerDirector的实例)。在前面,我们都是使用的默认的opener,也就是urlopen。它是一个特殊的opener,可以理解成opener的一个特殊实例,传入的参数仅仅是url,data,timeout。

如果我们需要用到Cookie或者Proxy,只用这个opener是不能达到目的的,所以我们需要创建更一般的opener来实现对Cookie和Proxy的设置。

  1. proxy代理

import urllib.request

proxy_handler = ProxyHandler({'http':')

opener = build_opener(proxy_handler)

response = opener.open('http://..')

  1. Cookielib

主要用来提供可存储的cookie对象。可以利用本模块的CookieJar类的对象来捕获cookie并在后续连接请求时重新发送。可以通过F12->Application->Cookies中查看

CookieJar —-派生—->FileCookieJar  —-派生—–>MozillaCookieJar和LWPCookieJar

import http.cookiejar

#声明一个CookieJar对象实例来保存cookie

cookie = http.cookiejar,CookieJar()

#利用urllib库request模块的HTTPCookieProcessor对象来创建cookie处理器

handler=urllib.request.HTTPCookieProcessor(cookie)

#通过handler来构建opener

opener=urllib.request.build_opener(handler)

#此处的open方法同urllib2的urlopen方法,也可以传入request

response=opener.open('')

for item in cookie:

    print'Name = '+item.name

    print'Value = '+item.value

使用MozillaCookieJar和LWPCookieJar可以将cookie保存到文件中,使用save来存储,使用load来加载。

#设置保存cookie的文件,同级目录下的cookie.txt

filename='cookie.txt'

#声明一个MozillaCookieJar对象实例来保存cookie,之后写入文件

cookie=http.cookiejar.MozillaCookieJar(filename)

#利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器

handler=urllib2.request.HTTPCookieProcessor(cookie)

#通过handler来构建opener

opener=urllib.request.build_opener(handler)

#创建一个请求,原理同urllib2的urlopen

response=opener.open("")

#保存cookie到文件

cookie.save(ignore_discard=True,ignore_expires=True)

使用load来加载cookie文件到cookie

cookie = http.cookiejar.MozillaCookieJar()

cookie.load(filename,ignore_discard=True,ignore_expires=True)

handler=urllib2.request.HTTPCookieProcessor(cookie)

#通过handler来构建opener

opener=urllib.request.build_opener(handler)

#创建一个请求,原理同urllib2的urlopen

response=opener.open("")

  1. urllib是干嘛的:The urllib.request module defines functions and classes which help in opening URLs (mostly HTTP) in a complex world — basic and digest authentication, redirections, cookies and more.

2. urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False):重点部分是返回值, 这个函数返回一个 http.client.HTTPResponse 对象, 这个对象又有各种方法, 比如我们用到的read()方法。还有其它方法:geturl()、info()、getcode()。

  1. response.read()要decode才能正常显示html内容,否则会是title="xe7x99xbexe5xbaxa6xe6x90x9cxe7xb4xa2"而不是title="百度搜索"了

4. response.read()只能运行一次就到结尾了,再次读取总是空值!
分析这两行代码

第一行调用的是urllib库里面的urlopen方法,传入一个URL,这个网址是百度首页,协议是HTTP协议,当然你也可以把HTTP换做FTP,FILE,HTTPS 等等,只是代表了一种访问控制协议。

urlopen一般接受三个参数,它的参数如下:
urlopen(url, data, timeout) 第一个参数url即为URL,第二个参数data是访问URL时要传送的数据,第三个timeout是设置超时时间。
第二三个参数是可以不传送的,data默认为空None,timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT。
第一个参数URL是必须要传送的,在这个例子里面我们传送了百度的URL,执行urlopen方法之后,返回一个response对象,返回信息便保存在这里面。
response.read() response对象有一个read方法,可以返回获取到的网页内容。

http://blog.csdn.net/pipisorry/article/details/47905781

 

构造Requset 其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例,构造时需要传入Url,Data等等的内容。

比如上面的两行代码,我们可以这么改写
import urllib2 
request = urllib2.Request("")
response = urllib2.urlopen(request)
print response.read()

py3:

import urllib.request

 

request = urllib.request.Request("")

response = urllib.request.urlopen(request)

print(response.read().decode())

运行结果是完全一样的,只不过中间多了一个request对象,推荐大家这么写,因为在构建请求时还需要加入好多内容,通过构建一个request,服务器响应请求得到应答,这样显得逻辑上清晰明确。
http://blog.csdn.net/pipisorry/article/details/47905781

数据传送POST和GET 上面的程序演示了最基本的网页抓取,不过,现在大多数网站都是动态网页,需要你动态地传递参数给它,它做出对应的响应。所以,在访问时,我们需要传递数据给它。最常见的情况就是登录注册的时候。
把数据用户名和密码传送到一个URL,然后你得到服务器处理之后的响应

数据传送POST和GET两种方式及区别 最重要的区别是GET方式是直接以链接形式访问,链接中包含了所有的参数,当然如果包含了密码的话是一种不安全的选择,不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数,不过如果你想直接查看提交了什么就不太方便了,可以酌情选择。
POST**方式:** 上面说的data参数就是用在这里的,我们传送的数据就是这个参数data。
import urllib
import urllib2
 
values = {"username":"1016903103@qq.com","password":"XXXX"}
data = urllib.urlencode(values) 
url = ""
request = urllib2.Request(url,data)
response = urllib2.urlopen(request)
print response.read()
我们引入了urllib库,现在我们模拟登陆CSDN,当然上述代码可能登陆不进去,因为还要做一些设置头部header的工作,或者还有一些参数没有设置全,还没有提及到在此就不写上去了,在此只是说明登录的原理。我们需要定义一个字典,名字为values,参数我设置了username和password,下面利用urllib的urlencode方法将字典编码,命名为data,构建request时传入两个参数,url和data,运行程序,即可实现登陆,返回的便是登陆后呈现的页面内容。当然你可以自己搭建一个服务器来测试一下。
GET**方式:** 至于GET方式我们可以直接把参数写到网址上面,直接构建一个带参数的URL出来即可。
import urllib
import urllib2
values={}
values['username'] = "1016903103@qq.com"
values['password']="XXXX"
data = urllib.urlencode(values) 
url = ""
geturl = url + "?"+data
request = urllib2.Request(geturl)
response = urllib2.urlopen(request)
print response.read()
Note:你可以print geturl,打印输出一下url,发现其实就是原来的url加?然后加编码后的参数

[HTTP方法:GET 对比 POST]

[Python爬虫入门三之Urllib库的基本使用]

http://blog.csdn.net/pipisorry/article/details/47905781

威尼斯国际官方网站 , 

设置Headers 有些网站不会同意程序直接用上面的方式进行访问,如果识别有问题,那么站点根本不会响应,所以为了完全模拟浏览器的工作,我们需要设置一些Headers 的属性。

打开我们的浏览器(Chrome),调试浏览器F12,打开网络监听network,比如知乎登录之后,这个页面包含了许许多多的内容,这些内容也不是一次性就加载完成的,实质上是执行了好多次请求,一般是首先请求HTML文件,然后加载JS,CSS 等等,经过多次请求之后,网页的骨架和肌肉全了,整个网页的效果也就出来了。

威尼斯国际官方网站 2
Note:上面的图是先点击name中的www.zhihu.com,再点headers才会出现。

拆分这些请求,我们只看一第一个请求,你可以看到,有个Request URL,还有headers,下面便是response。这个头中包含了许许多多是信息,有文件编码啦,压缩方式,请求的agent等等。
其中,agent就是请求的身份,如果没有写入请求身份,那么服务器不一定会响应,所以可以在headers中设置agent,例如下面的例子,这个例子只是说明了怎样设置的headers,小伙伴们看一下设置格式就好。
import urllib  
import urllib2  

url = ''
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  
values = {'username' : 'cqc',  'password' : 'XXXX' }  
headers = { 'User-Agent' : user_agent }  
data = urllib.urlencode(values)  
request = urllib2.Request(url, data, headers)  
response = urllib2.urlopen(request)  
page = response.read() 

py3:

import urllib.request

from urllib.parse import urlencode

 

URL_ROOT = r''

 

values = {'username': '***, 'password': '&&&}

data = urlencode(values).encode()

# print(type(data), data)

 

user_agent = r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/44.0.2403.157 Safari/537.36'

# user_agent = r'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'

headers = {'User-Agent': user_agent}

 

request = urllib.request.Request(URL_ROOT, data, headers)

response = urllib.request.urlopen(request)

 

page = response.read()

print(page)

py3-2:

u = urllib.URLopener() # Python 3: urllib.request.URLOpener

u.addheaders = []

u.addheader('User-Agent', 'Opera/9.80 (Windows NT 6.1; WOW64; U; de) Presto/2.10.289 Version/12.01')

u.addheader('Accept-Language', 'de-DE,de;q=0.9,en;q=0.8')

u.addheader('Accept', 'text/html, application/xml;q=0.9, application/xhtml+xml, image/png, image/webp, image/jpeg, image/gif, image/x-xbitmap, */*;q=0.1')

f = u.open(url)

content = f.read()

f.close()

py3-3:

[python] view plain copy

 print?

  1. import urllib.request  
  1. import http.cookiejar  
  1.      

  2. # head: dict of header  

  1. def makeMyOpener(head = {  

  2.     'Connection': 'Keep-Alive',  

  3.     'Accept': 'text/html, application/xhtml+xml, */*',  

  1.     'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',  
  1.     'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko'  
  1. }):  

  2.     cj = http.cookiejar.CookieJar()  

  3.     opener = urllib.request.build_opener(urllib.request.HTTPCookieProcessor(cj))  

  4.     header = []  

  5.     for key, value in head.items():  

  1.         elem = (key, value)  

  2.         header.append(elem)  

  3.     opener.addheaders = header  

  4.     return opener  

  1.      

  2. oper = makeMyOpener()  

  3. uop = oper.open('', timeout = 1000)  

  1. data = uop.read()  

  2. print(data.decode())  

Note

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

urllib.parse.quote_plus(string, safe='', encoding=None, errors=None)

大概是把一个通俗的字符串, 转化为url格式的字符串。

  1. py3中data参数是要进行任意编码(utf8...),否则出现错误TypeError: POST data should be bytes or an iterable of bytes. It cannot be of type str.   python2.7 是 ascii,3.3 是utf-8,都是string类型,但socket (urllib等都是基于socket) 使用bytes,要通过encode()转换。
  1. 注意URL_ROOT不能编码,URL_ROOT = URL_ROOT.encode(),否则会出错:unknown url type: b'http

这样,我们设置了一个headers,在构建request时传入,在请求时,就加入了headers传送,服务器若识别了是浏览器发来的请求,就会得到响应。

对付防盗链 另外,我们还有对付"反盗链"的方式,服务器会识别headers中的referer是不是它自己,如果不是,有的服务器不会响应,所以我们还可以在headers中加入referer
例如我们可以构建下面的headers
headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  , 'Referer':'' }  
同上面的方法,在传送请求时把headers传入Request参数里,这样就能应付防盗链了。
headers**的一些属性需要特别注意一下** User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求
Content-Type : 在使用 REST 接口时,服务器会检查该值,用来确定 HTTP Body 中的内容该怎样解析。
application/xml : 在 XML RPC,如 RESTful/SOAP 调用时使用
application/json : 在 JSON RPC 调用时使用
application/x-www-form-urlencoded : 浏览器提交 Web 表单时使用
在使用服务器提供的 RESTful 或 SOAP 服务时, Content-Type 设置错误会导致服务器拒绝服务
其他的有必要的可以审查浏览器的headers内容,在构建时写入同样的数据即可。

http://blog.csdn.net/pipisorry/article/details/47905781

设置Proxy(代理)**
urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。假如一个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。所以你可以设置一些代理服务器来帮助你做工作,每隔一段时间换一个代理,网站君都不知道是谁在捣鬼了! 代理的设置用法** import urllib2
enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : ')
null_proxy_handler = urllib2.ProxyHandler({})
if enable_proxy:
    opener = urllib2.build_opener(proxy_handler)
else:
    opener = urllib2.build_opener(null_proxy_handler)
urllib2.install_opener(opener)

设置**Timeout 
**urlopen方法第三个参数就是timeout的设置,可以设置等待多久超时,为了解决一些网站实在响应过慢而造成的影响。
例如下面的代码,如果第二个参数data为空那么要特别指定是timeout是多少,写明形参,如果data已经传入,则不必声明。
import urllib2
response = urllib2.urlopen('', timeout=10)
import urllib2
response = urllib2.urlopen(', 10)

使用 HTTP 的 PUT 和 DELETE 方法**
**http协议有六种请求方法,get,head,put,delete,post,options,我们有时候需要用到PUT方式或者DELETE方式请求。
PUT:这个方法比较少见。HTML表单也不支持这个。本质上来讲, PUT和POST极为相似,都是向服务器发送数据,但它们之间有一个重要区别,PUT通常指定了资源的存放位置,而POST则没有,POST的数据存放位置由服务器自己决定。
DELETE:删除某一个资源。基本上这个也很少见,不过还是有一些地方比如amazon的S3云服务里面就用的这个方法来删除资源。
如果要使用 HTTP PUT 和 DELETE ,只能使用比较低层的 httplib 库。虽然如此,我们还是能通过下面的方式,使 urllib2 能够发出 PUT 或DELETE 的请求,不过用的次数的确是少,在这里提一下。
import urllib2
request = urllib2.Request(uri, data=data)
request.get_method = lambda: 'PUT' # or 'DELETE'
response = urllib2.urlopen(request)

使用DebugLog 可以通过下面的方法把 Debug Log 打开,这样收发包的内容就会在屏幕上打印出来,方便调试,这个也不太常用,仅提一下
import urllib2
httpHandler = urllib2.HTTPHandler(debuglevel=1)
httpsHandler = urllib2.HTTPSHandler(debuglevel=1)
opener = urllib2.build_opener(httpHandler, httpsHandler)
urllib2.install_opener(opener)
response = urllib2.urlopen('')

http://blog.csdn.net/pipisorry/article/details/47905781

 

 

Cookie的使用

用 Python 来登录网站, 用Cookies记录登录信息, 然后就可以抓取登录之后才能看到的信息。

什么是**cookies?**

Cookie,指某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据(通常经过加密)。
比如说有些网站需要登录后才能访问某个页面,在登录之前,你想抓取某个页面内容是不允许的。那么我们可以利用Urllib库保存我们登录的Cookie,然后再抓取其他页面就达到目的了。
opener**的概念** 当你获取一个URL你使用一个opener(一个urllib2.OpenerDirector的实例)。在前面,我们都是使用的默认的opener,也就是urlopen。

urlopen是一个特殊的opener,可以理解成opener的一个特殊实例,传入的参数仅仅是url,data,timeout。
如果我们需要用到Cookie,只用这个opener是不能达到目的的,所以我们需要创建更一般的opener来实现对Cookie的设置。
Cookielib cookielib模块的主要作用是提供可存储cookie的对象,以便于与urllib2模块配合使用来访问Internet资源。Cookielib模块非常强大,我们可以利用本模块的CookieJar类的对象来捕获cookie并在后续连接请求时重新发送,比如可以实现模拟登录功能。该模块主要的对象有CookieJar、FileCookieJar、MozillaCookieJar、LWPCookieJar。
它们的关系:CookieJar —-派生—->FileCookieJar  —-派生—–>MozillaCookieJar和LWPCookieJar

使用cookie登录的步骤
1**
)获取Cookie保存到变量
**首先,我们先利用CookieJar对象实现获取cookie的功能,存储到变量中,先来感受一下
import urllib2
import cookielib
#声明一个CookieJar对象实例来保存cookie
cookie = cookielib.CookieJar()
#利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器
handler=urllib2.HTTPCookieProcessor(cookie)
#通过handler来构建opener
opener = urllib2.build_opener(handler)
#此处的open方法同urllib2的urlopen方法,也可以传入request
response = opener.open('')
for item in cookie:
    print 'Name = '+item.name
    print 'Value = '+item.value

py3:

import urllib.request

import http.cookiejar

 

URL_ROOT = r''

 

cookie = http.cookiejar.CookieJar() # 声明一个CookieJar对象实例来保存cookie

handler = urllib.request.HTTPCookieProcessor(cookie) # 利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器

本文由威尼斯国际官方网站发布于威尼斯国际官方网站,转载请注明出处:urllib常用操作

关键词: