urllib提供了一系列用于操作URL的功能。包含urllib.request,urllib.error,urllib.parse,urllib.robotparser四个子模块。
官网资料如下：
urllib is
a package that collects several modules for working with URLs:
urllib.requestfor opening and reading URLsurllib.errorcontaining the exceptions raised byurllib.requesturllib.parsefor parsing URLsurllib.robotparserfor parsingrobots.txtfiles
- urllib.request打开和浏览url中内容
- urllib.error包含从 urllib.request发生的错误或异常
- urllib.parse解析url
- urllib.robotparser解析 robots.txt文件
urllib.request.urlopen（）
urllib.request.urlopen函数参数如下：
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
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
urllib的request模块可以非常方便地抓取URL内容，当data参数为空的时候也就是发送一个GET请求到指定的页面，然后返回HTTP的响应：
例如对百度的一个URLhttps://www.baidu.com/进行抓取，并返回响应：
from urllib import request
with request.urlopen('https://www.baidu.com/') as f:
data = f.read()
print('Status:', f.status, f.reason)
print('Data:', data)Status: 200 OK
Data: b'<html>\r\n<head>\r\n\t<script>\r\n\t\tlocation.replace(location.href.replace("https://","http://"));\r\n\t</script>\r\n</head>\r\n<body>\r\n\t<noscript><meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></noscript>\r\n</body>\r\n</html>
这时我们发现Data内容与网页内容有几分差异
Data的数据格式为bytes类型，需要decode（）解码，转换成str类型。
print('Data:', data.decode('utf-8'))Data: <html>
<head>
<script>
location.replace(location.href.replace("https://","http://"));
</script>
</head>
<body>
<noscript><meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></noscript>
</body>
</html>Post
如果要以POST发送一个请求，
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。
Post的数据必须是bytes或者iterable of bytes，不能是str，如果是str需要进行encode（）编码
使用Request包装请求
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.xxxxxxxxxxxxxxxx.com'
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.xxxxxxxxxxxxxxxx.com',
'Connection': 'keep-alive'
}
req = request.Request(url, headers=headers)
page = request.urlopen(req).read()
page = page.decode('utf-8')- 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。