python urllib模块(urlopen/response/request/headler/异常处理/URL解析)

简介

Urllib是Python内置的HTTP请求库。它包含四个模块：

• 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，用的比较少

相比Python2变化：
Python2: import urllib2 response=urllib2.urlopen(‘http://www.baidu.com’)
Python3: import urllib.request response=urllib.request.urlopen(‘http://www.baidu.com’)

基础函数用法

一、urlopen

这个函数很简单，就是请求一个url的内容。其实这就是爬虫的第一步：网页请求，获取内容。
函数用法：

urllib.request.urlopen(url,data = None,[timeout]*,cafile = None,capath = None,cadefault = False,context = None)#urlopen前三个分别是(网站，网站的数据，超时设置)

可以看到，这个函数可以有非常多的参数，前三个用的最多，我们来逐一看看。

1.url参数

示例代码：

import urllib.request
response =urllib.request.urlopen('http://www.baidu.com') #把请求的结果传给response
print(response.read().decode('utf-8'))#转换成字符串

在交互模式下执行以上命令就可以打印出百度首页的源代码了。
这是一种GET类型的请求，只传入了一个参数（url）。
下面演示一种POST类型的请求：

2.data参数

示例代码：

import urllib.parse
import urllib.request

data=bytes(urllib.parse.urlencode({'word':'hello'}),encoding='utf8')
#需要传入一个data参数，需要的是bytes类型，这里用了urlencode方法传入一个字典，并指定编码
response=urllib.request.urlopen('http://httpbin.org/post',data=data)
#给urlopen函数传入两个参数，一个是url，一个是data
print(response.read())

（http://httpbin.org/ 是一个HTTP测试页面）
可以看到打印出了一些Json字符串：

我们可以从打印结果看到，我们成功的把’word’:'hello’这个字典通过urlopen函数以POST形式把它传递过去了。这样我们就完成了一个POST的请求。
总结：加了data参数就是以POST形式发送请求，否则就是GET方式了。

3.timeout

再来看看第三个参数：超时时间。如果超过了这个时间没有得到响应的话，就会抛出异常。
示例代码：

import urllib.request
response=urllib.request.urlopen('http://httpbin.org/get',timeout=1)#设置超时时间
print(response.read())

再看另一种情况，我们把超时时间设置为0.1：

import socket
import urllib.request
import urllib.error

try:
    response=urllib.request.urlopen('http://httpbin.org/get',timeout=0.1)
	#必须在0.1秒内得到响应，否则就会抛出异常
except urllib.error.URLError as e:
	if isinstance(e.reason,socket.timeout):#类型判断，如果是超时错误，那么打印
		print('TIME OUT')

二、响应（response）

获取响应类型：type()

示例：

import urllib.request
response =urllib.request.urlopen('https://www.python.org')
print(type(response))#打印响应的类型

通过调用这个方法我们可以看到响应的类型。

状态码、响应头

一个响应里面包含了两个比较有用的信息：状态码和响应头。

以上面提到的http://httpbin.org/ 为例，我们可以在审查中，找到状态码和响应头（上图红框所示）。
这两个信息是判断响应是否成功的非常重要的标志。
在这里我们可以用status参数获取响应的状态码，用getheaders()方法获取响应头。
示例：

import urllib.request

response =urllib.request.urlopen('https://www.python.org')
print(response.status)#状态码
print(response.getheaders())#响应头
print(response.getheader('Server'))#可以取得响应头中特定的信息

另外，关于read（)方法，它获取的是响应体中的内容（bytes形式）

import urllib.request
response =urllib.request.urlopen('https://www.python.org')
print(response.read().decode('utf-8'))#将字节流解码为utf-8

三、请求（request）

如果我们要在请求中加入别的信息怎么办呢？用上面的urlopen函数是无法满足的。
例如我们要在请求中加上Headers参数，但是urlopen函数中是没有提供这个参数的。
如果我们想要发送一些更为复杂的请求的话，比如加上Headers，怎么办呢？
那么我可以创建一个request对象——使用Request（它也是属于urllib.request模块的）。
来看示例：

import urllib.request
request=urllib.request.Request('https://python.org')#把url构造成一个request对象
response=urllib.request.urlopen(request)#再把request对象传给urlopen
print(response.read().decode('utf-8'))

这样也可以成功实现请求。
有了这样的方法，我们就能更方便地指定请求的方式，还可以加一些额外的数据。
那么现在尝试构造一个POST请求，并且把headers加进来。

from urllib import request,parse
#构造一个POST请求
url='http://httpbin.org/post'
headers={
	'Users-Agent':'..............',
	'Host':'httpbin.org'
}
dict={
	'name':'Germey'
}
data=bytes(parse.urlencode(dict),encoding='utf8')#fontdata数据
req=request.Request(url=url,data=data,headers=headers,method='POST')#构建一个Request（）的一个结构
response = request.urlopen(req)
print(response.read().decode('utf-8'))

我们把以上代码写成一个py文件并运行之：

可以看到，我们构造的Request包含了之前所提到的信息，请求的时候我们是把Request当成一个整体传递给了urlopen，就可以实现这样的请求了。
好处是整个Request的结构是非常清晰的。
此外还有另外一种实现方式，就是用add_header（）方法,也可以实现相同的效果：

from urllib import request,parse
#构造一个POST请求
url='http://httpbin.org/post'
dict={
	'name':'Germey'
}
data=bytes(parse.urlencode(dict),encoding='utf8')#fontdata数据
req=request.Request(url=url,data=data,method='POST')#构建一个Request（）的一个结构
req.add_header('User-Agent','................')#用add_header方法来添加header信息
response = request.urlopen(req)
print(response.read().decode('utf-8'))

add_header（）方法作为添加header的另一种方式，可以用来比较复杂的情况，比如要添加许多键值对，那么可以用一个for循环来不断调用这个方法，这也是比较方便的。

四、Headler

Headler相当于一个辅助工具，来帮助我们处理一些额外的工作，比如FTP、Cache等等操作，我们都需要借助Headler来实现。比如在代理设置的时候，就需要用到一个ProxyHandler。更多的用法，请参阅官方文档。

代理

用来对ip地址进行伪装成不同地域的，防止ip在爬虫运行时被封掉。
示例：

from urllib import request
proxy_handler = request.ProxyHandler( #构建ProxyHandler，传入代理的网址
{'http':'http://127.0.0.1:9743',
'https':'https://127.0.0.1:9743'
}) #实践表明这个端口已经被封了，这里无法演示了
 
opener = request.build_opener(proxy_handler)#再构建一个带有Handler的opener
 
response = opener.open('http://www.baidu.com')
print(response.read())

Cookie

Cookie是在客户端保存的用来记录用户身份的文本文件。
在爬虫时，主要是用来维护登录状态，这样就可以爬取一些需要登录认证的网页了。

实例演示：

from urllib import request
 
from http import cookiejar
cookie =cookiejar.CookieJar()#将cookie声明为一个CookieJar对象
 
handler = request.HTTPCookieProcessor(cookie)
 
opener = request.build_opener(handler)
 
response  =opener.open('http://www.baidu.com')#通过opener传入，并打开网页
 
for item in cookie:#通过遍历把已经赋值的cookie打印出来
    print(item.name+'='+item.value)#通过item拿到每一个cookie并打印

Cookie的保存

我们还可以把cookie保存成文本文件，若cookie没有失效，我们可以从文本文件中再次读取cookie，在请求时把cookie附加进去，这样就可以继续保持登录状态了。
示例代码：

from urllib import request
from http import cookiejar

filename="cookie.txt"
cookie=cookiejar.MozillaCookieJar(filename)
#把cookie声明为cookiejar的一个子类对象————MozillaCookieJar，它带有一个save方法，可以把cookie保存为文本文件
handler=request.HTTPCookieProcessor(cookie)
opener=request.build_opener(handler)
response=opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True,ignore_expires=True)#调用save方法

执行代码后，我们就可以在运行目录下找到已经保存好的cookie文本文件了：

还有另外一种格式：
在上面那段代码的基础上，换一个子类对象就可以了：

cookie=cookiejar.LWPCookieJar(filename)

可以看到，这次生了一个不同格式的cookie文本文件：

Cookie的读取

我们可以选择相对应的格式来完成读取。以上面的LWP格式为例：

from urllib import request
from http import cookiejar


cookie=cookiejar.LWPCookieJar() #z注意选择相应的格式，这里是LWP
cookie.load('cookie.txt',ignore_discard=True,ignore_expires=True)#load方法是读取的关键
handler=request.HTTPCookieProcessor(cookie)
opener=request.build_opener(handler)
response=opener.open('http://www.baidu.com')
print(response.read().decode('utf-8'))

以上的代码就可以完成读取了。这样，我们就可以在对网页进行请求时，自动把之前的cookie附着进去，以保持一个登录的状态了。

五、异常处理

这是属于urllib的另一大模块。

from urllib import request,error

#我们试着访问一个不存在的网址
try:
    response = request.urlopen('http://www.cuiqingcai.com/index.html')
except error.URLError as e:
    print(e.reason)#通过审查可以查到我们捕捉的异常是否与之相符

可以看到，返回了错误信息。这样的异常处理可以保证爬虫在工作时不会轻易中断。
那么，urllib可以捕捉哪些异常呢？详见官方文档。
其实一般碰到有两个：HTTP和URL。我们一般只需要捕捉这两个异常就可以了。

from urllib import request,error

#我们试着访问一个不存在的网址
try:
    response = request.urlopen('http://www.cuiqingcai.com/index.html')
except error.HTTPError as e:#最好先捕捉HTTP异常，因为这个异常是URL异常的子类
	print(e.reason,e.code,e.headers,sep='\n')
except error.URLError as e:
    print(e.reason)
else:
	print('Request Successfully！')

如上，打印出了错误的相关信息。
此外，e.reason也是一个类，它可以得到异常的类型。
我们试着看看：

from urllib import request,error
import socket


try:
    response = request.urlopen('http://www.baidu.com',timeout = 0.01)#超时异常
except error.URLError as e:
    print(type(e.reason))
    if isinstance(e.reason,socket.timeout):#判断error类型
        print('TIME OUT')

异常类型被打印出来了，确实是超时异常。

六、URL解析

这是一个工具性质的模块，即拿即用就行。
官方文档

urlparse

这个方法将将url进行分割，分割成好几个部分，再依次将其复制。

urllib.parse.urlparse(urlstring,scheme='',allow_fragments = True)
#分割成（url，协议类型，和#后面的东西）

具体的例子：

from urllib.parse import urlparse
 
result = urlparse('https://www.baidu.com/s?wd=urllib&ie=UTF-8')
print(type(result),result)  #<class 'urllib.parse.ParseResult'>
 
#无协议类型指定，自行添加的情况
result1 = urlparse('www.baidu.com/s?wd=urllib&ie=UTF-8',scheme = 'https')
print(result1)
 
#有指定协议类型，默认添加的情况？
result2 = urlparse('http://www.baidu.com/s?wd=urllib&ie=UTF-8',scheme = 'https')
print(result2)

#allow_fragments参数使用
result3 = urlparse('http://www.baidu.com/s?#comment',allow_fragments = False)
 
result4 = urlparse('http://www.baidu.com/s?wd=urllib&ie=UTF-8#comment',allow_fragments = False)
print(result3,result4)
#allow_fragments=False表示#后面的东西不能填，原本在fragment位置的参数就会往上一个位置拼接，可以对比result1和result2的区别

从这个例子我们也可以知道，一个url可以分成6个字段。

urlunparse（urlparse的反函数）

这个函数用来拼接url。
看看这个例子：

from urllib.parse import urlunparse
#注意即使是空符号也要写进去，不然会出错

data = ['http',  'www.baidu.com', 'index.html','user','a=6' 'comment']
print(urlunparse(data))

urljoin

这个函数用来拼合url。
通过例子感受以下：
以后面的参数为基准，会覆盖掉前面的字段。如果后面的url，存在空字段而前面的url有这个字段，就会用前面的作为补充。

from urllib.parse import urljoin
print(urljoin('http://www.baidu.com','FQA.html'))
#http://www.baidu.com/FQA.html
 
print(urljoin('http://www.baidu.com','http://www.caiqingcai.com/FQA.html'))
#http://www.caiqingcai.com/FQA.html
 
print(urljoin('https://www.baidu.com/about.html','http://www.caiqingcai.com/FQA.html'))
#http://www.caiqingcai.com/FQA.html
 
print(urljoin('http://www.baidu.com/about.html','https://www.caiqingcai.com/FQA.html'))
#https://www.caiqingcai.com/FQA.html

urlencode

这个函数用来将字典对象转化为get请求参数。

from urllib.parse import urlencode
 
params = {
'name':'zhuzhu',
'age':'23'
}
 
base_url = 'http://www.baidu.com？'
 
url = base_url+urlencode(params)#将params对象编码转换
 
print(url)

七、robotparser

用来解析robot.txt。用的比较少，这里不再赘述。
官方文档
 

八、实例

request = urllib2.Request(self.url)
request.add_header('Cookie','PHPSESSID=79lo60cmtl1ck70h4ufruq6n53; mmf_searchhotkeyandroid=%E5%A4%A9%E6%B6%AF%E7%A4%BE%E5%8C%BA%2C%E7%A9%BF%E8%A1%A3%E5%8A%A9%E6%89%8B%2C%E5%A4%A9%E6%B0%94%2C%E9%B3%84%E9%B1%BC%E5%B0%8F%E9%A1%BD%E7%9A%AE%E7%88%B1%E6%B4%97%E6%BE%A12%2C%E6%B0%B4%E6%9E%9C%E5%BF%8D%E8%80%85%2C%E4%B8%96%E7%95%8COL%2C%E6%88%98%E5%A4%A9; mmf_msisdn=08e2b01ad5dd5b3d297ef6558a60ec26; mmf_us=08e2b01ad5dd5b3d297ef6558a60ec26.39; mmf_userVisitPageIndex=79lo60cmtl1ck70h4ufruq6n53.2')

request.add_header('Connection','keep-alive')
request.add_header('Accept','*/*')
request.add_header('Accept-Language','zh-CN,zh;q=0.8')
request.add_header('Accept-Encoding','gzip,deflate,sdch')
request.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/31.0.1650.57 Safari/537.36')

response = urllib2.urlopen(request)
print response.code

if response.info().get('Content-Encoding')=='gzip':
    buf = StringIO(response.read())
    f = gzip.GzipFile(fileobj = buf)
    data = f.read()
    f.close()