Python爬虫之urllib库

大家好，欢迎来到IT知识分享网。

一、urllib简介

urllib是python中的一个http请求库，借助urllib，我们可以向浏览器发出请求，只需向urllib库中的方法传入url和一些参数即可。

urllib库中包含以下模块：

1. urllib.request

   http请求模块，用于模拟向浏览器发出请求的过程；

2. urllib.error

   异常处理模块，当利用urllib.request模拟向浏览器发出请求时，如果出现请求错误，可以利用此模块捕获异常信息，然后进行重试或其他操作，以保证程序不会意外终止；

3. urllib.parse

   包含了针对url的许多处理方法，如url拆分、url解析、url合并等；

4. urllib.robotparser

   robots.txt解析模块，主要用于识别网站的robots.txt文件，判断哪些网站可以爬，那些网站不可爬。此模块不太经常被使用。

每个模块中常用的方法及详细解释可参考博文，下面主要用python来展示一些常用的urllib库用法。

二、Python爬虫中常用的urllib方法

首先需要导入urllib模块，如下

import urllib.request
import urllib.parse  # 解析器，将键值对按utf-8或其他形式解析

1. 获取某个网站的方式
   （1）获取一个get请求

response = urllib.request.urlopen("http://www.baidu.com")
print(response.read().decode("utf-8"))   
# 第二行的输出是对获取到的对象response的信息-网页源码进行utf-8的解码

此时返回的即是百度官网首页的html信息，如下图所示：

（2）获取pose请求

data = bytes(urllib.parse.urlencode({ 
   "hello": "world"}), encoding='utf-8')  # 一般模拟用户登录时使用此种方式，在{}内加上cookie内容
response = urllib.request.urlopen("https://baidu.com", data=data)
print(response.read().decode("utf-8"))

采用post访问时需要传递表单信息，通过表单的封装才能访问post，代码中bytes将信息转换为二进制包。代码返回信息同上图：

当需要模拟浏览器发出请求时，必须用post形式来封装数据（用data封装），否则有405报错。

2. 超时处理
   当要访问的服务器排斥爬虫，或链接是死链接、网络不好等情况出现时，页面在一定的时间内会没有反应，这时可以设置一个时间限制，避免一直等待。代码如下：

response = urllib.request.urlopen("https://baidu.com", timeout=0.1)
print(response.read().decode("utf-8"))

若访问超时会出现如下报错：

此时我们可以利用异常处理结束循环或者停止爬取该网页，向其他网页发送get请求。代码如下：

try:
    response = urllib.request.urlopen("http://www.baidu.com",timeout=0.1)
    print(response.read().decode("utf-8"))
except urllib.error.URLError as e:
    print("time out!")

此时若访问超时会返回如下结果：

3. 简单解析-响应头
   网络爬虫有时会返回一些错误信息，此时我们可以返回响应状态码来大致判断报错类型。

response = urllib.request.urlopen("http://www.baidu.com")
print(response.status)   # 返回状态码-200、404、418等
print(response.getheaders())  # 返回头部所有信息

常见的状态码如418报错是因为访问的服务器发现该请求是一个爬虫，也即爬虫时常见的反爬机制，此时可改用requests库、添加header信息等方法解决。

4. 将爬虫伪装成服务器发出请求
   在第3小节中提到有的网站会设置爬虫机制，此时我们可以伪装成服务器来发出请求，模仿在浏览器中输入访问地址时一样。

# 访问反爬的网址
url = "http://www.douban.com"
headers = { 
   
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36"
}
req = urllib.request.Request(url=url, headers=headers, method="POST")  # req是请求对象而非响应对象
response = urllib.request.urlopen(req)
html = response.read().decode("utf-8")
print(html)

代码中的headers来自浏览器页面，在chrome中进入想访问的浏览页面，点击F12或右键检查-Network中，即可查到User-Agent信息，粘贴到代码中（需注意大小写及空格，代码中的格式要和浏览器信息一致）。

user-agent的作用是告诉所访问的服务器，我们是何种类型的机器(浏览器)，若只用User-Agent会返回百度验证界面，可加入Cookie返回所要爬取的结果页面

以上是python爬虫时的部分小功能，除此之外爬虫得方式还有很多种。但是无论采用哪种方式一定要牢记：爬虫千万条，安全第一条。