urllib模块的基本使用

urllib库的基本使用

• 所谓网页抓取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。 在Python中有很多库可以用来抓取网页，我们先学习urllib

我们会从下面三个方面讲解urllib:

• request : 它是最基本的HTTP请求模块，可以用来模拟发送请求，就像在浏览器中输入网址，然后敲击回车键一样，使用的时候只需要给库方法传入相关的URL和相关的参数即可．
• error : 异常处理模块，如果出现请求错误，我们可以使用这个模块来捕获异常，然后进行重试或者其他操作，保证程序不会意外终止．
• parse : 这是一个工具模块，提供了许多url的处理方法，比如拆分,解析,合并等等.

• 在 python2 中，urllib 被分为urllib,urllib2等
• 在python3中我们直接使用urllib

urlopen方法

# 导入urllib.request 库
from urllib import request
# 向指定的url发送请求，并返回服务器响应的类文件对象
response = urllib.request.urlopen("http://www.baidu.com")
print(type(response))

# 类文件对象支持文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
html = response.read()
# 打印响应结果（betys类型）
print (html)
# 打印状态码
print (response.status)
# 获取响应头
print (response.getheaders())
# 获取响应头信息
print (response.getheader('Server'))
# 获取响应结果原因
print (response.reason)

执行写的python代码，将打印结果
python3 urllib_request.py

• 实际上，如果我们在浏览器上打开百度主页， 右键选择“查看源代码”，你会发现，跟我们刚才打印出来的是一模一样。也就是说，上面的4行代码就已经帮我们把百度的首页的全部代码爬了下来。
  包含如下常用参数
  • url:设置目标url
  • data:如果设置该参数，则请求默认为post请求
  • timeout：用于设置超时时间，单位为秒
  • context：必须是一个ssl.SSLContext类型,用来指定SSL设置,忽略未认证的CA证书．

• 一个基本的url请求对应的python代码真的非常简单。

Request

在我们第一个例子里，urlopen()的参数就是一个url地址；
但是如果需要执行更复杂的操作，比如增加HTTP报头，必须创建一个 Request 实例来作为urlopen()的参数；而需要访问的url地址则作为 Request 实例的参数。

• 我们编辑urllib_request.py

# urllib_request.py
import urllib.request

# url作为Request()方法的参数，构造并返回一个Request对象
request = urllib.request.Request("http://www.baidu.com")
# Request对象作为urlopen()方法的参数，发送给服务器并接收响应
response = urllib.request.urlopen(request)
#将获取到的页面源码，转为字符串
html = response.read().decode('utf-8')

print (html)

• 运行结果是完全一样的： 新建Request实例，除了必须要有 url 参数之外，还可以设置另外两个参数：
  • data（默认空）：是伴随 url 提交的数据（比如要post的数据），同时 HTTP 请求将从 "GET"方式 改为 "POST"方式。
  • headers（默认空）：是一个字典，包含了需要发送的HTTP报头的键值对。