Python爬虫之路（二）| 爬虫的第一步
作者：xiaoyu
微信公众号：Python爬虫之路
segmentfault：https://segmentfault.com/blog/pypc
第一个爬虫代码的实现我想应该是从urllib开始吧，博主开始学习的时候就是使用urllib库敲了几行代码就实现了简单的爬数据功能，我想大多伙伴们也都是这么过来的。当时的感觉就是：哇，好厉害，短短几行竟然就可以搞定一个看似很复杂的任务，于是就在想这短短的几行代码到底是怎么实现的呢，如何进行更高级复杂的爬取呢？带着这个问题我也就开始了urllib库的学习。
首先不得不提一下爬取数据的过程，弄清楚这到底是怎样一个过程，学习urllib的时候会更方便理解。
1. 爬虫的过程
其实，爬虫的过程和浏览器浏览网页的过程是一样的。道理大家应该都明白，就是当我们在键盘上输入网址点击搜索之后，通过网络首先会经过DNS服务器，分析网址的域名，找到了真正的服务器。然后我们通过HTTP协议对服务器发出GET或POST请求，若请求成功，我们就得到了我们想看到的网页，一般都是用HTML, CSS, JS等前端技术来构建的，若请求不成功，服务器会返回给我们请求失败的状态码，常见到的503，403等。
爬虫的过程亦是如此，通过对服务器发出请求得到HTML网页，然后对下载的网页进行解析，得到我们想要的内容。当然，这是一个爬虫过程的一个概况，其中还有很多细节的东西需要我们处理的，这些在后续会继续与大家分享。
了解了爬虫的基本过程后，就可以开始我们真正的爬虫之旅了。
2. urllib库
Python有一个内置的urllib库，可谓是爬虫过程非常重要的一部分了。这个内置库的使用就可以完成向服务器发出请求并获得网页的功能，所以也是学习爬虫的第一步了。
博主用的是Python3.x，urllib库的结构相对于Python2.x有一些出入，Python2.x中使用的urllib2和urllib库，而Python3.x中合并成一个唯一的urllib库。
首先，我们来看看Python3.x的urllib库都有什么吧。
博主用的IDE是Pycharm，编辑调试非常方便，很赞。
在控制台下输入如下代码：
>>importurllib
>>dir(urllib)
['__builtins__','__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__','__path__', '__spec__', 'error', 'parse', 'request', 'response']
可以看到urllib除了以双下划线开头结尾的内置属性外，还有4个重要的属性，分别是error，parse，request，response。
在Python的urllib库中doc开头是这样简短描述的：
-
Error：“Exception classesraised by urllib.”----就是由urllib举出的exception类 -
Parse：“Parse (absolute andrelative) URLs.”----解析绝对和相对的URLs -
Request：“An extensiblelibrary for opening URLs using a variety of protocols”
----用各种协议打开URLs的一个扩展库 -
Response：“Response classesused by urllib.”----被urllib使用的response类
这4个属性中最重要的当属request了，它完成了爬虫大部分的功能，我们先来看看request是怎么用的。
request的使用
request请求最简单的操作是用urlopen方法，代码如下：
import urllib.request
response = urllib.request.urlopen('http://python.org/')
result = response.read()
print(result)
运行结果如下：
b'<!doctype html>\n<!--[if lt IE 7]>...</body>\n</html>\n'
发现得到的运行结果竟然是乱码！！别着急，这是因为编码的问题，我们只需要将请求的类文件读取再解码就可以了。
修改代码如下：
import urllib.request
response = urllib.request.urlopen('http://python.org/')
result = response.read().decode('utf-8')
print(result)
运行结果如下：
<!doctype html>
<!--[if lt IE 7]> <html class="no-js ie6 lt-ie7 lt-ie8>..
<!--[if IE 7]> <html class="no-js ie7 lt-ie8 lt-ie9">..
<!--[if IE 8]> <html class="no-js ie8 lt-ie9"> <![endif]-->
<!--[if gt IE 8]><!--><html class="no-js" lang="en" dir="ltr"
<head>
<meta charset="utf-8">
...
得到的就是我们想要的html的网页了，怎么样，简单吧。
下面来介绍一下这个urlopen方法和其中应用的参数。
urlopen方法
def urlopen(url, data=None, timeout=socket._GLOBAL_DEFAULT_TI
MEOUT,*, cafile=None, capath=None,
cadefault=False, context=None):
urlopen是request的其中一个方法，功能是打开一个URL，URL参数可以是一串字符串（如上例子中一样），也可以是Request对象（后面会提到）。
-
url：即是我们输入的url网址，（如：http://www.xxxx.com/）；
-
data：是我们要发给服务器请求的额外信息（比如登录网页需要主动填写的用户信息）。如果需要添加data参数，那么是
POST请求，默认无data参数时，就是GET请求；- 一般来讲，data参数只有在http协议下请求才有意义
- data参数被规定为byte object，也就是字节对象
- data参数应该使用标准的结构，这个需要使用urllib.parse.urlencode()将data进行 转换，而一般我们把data设置成字典格式再进行转换即可；data在以后实战中会介绍如何使用
-
timeout：是选填的内容，定义超时时间，单位是秒，防止请求时间过长，不填就是默认的时间；
-
cafile：是指向单独文件的，包含了一系列的CA认证 （很少使用，默认即可）;
-
capath：是指向文档目标，也是用于CA认证（很少使用，默认即可）；
-
cafile：可以忽略
-
context：设置SSL加密传输（很少使用，默认即可）；
它会返回一个类文件对象，并可以针对这个对象进行各种操作（如上例中的read操作，将html全部读出来），其它常用方法还有：
- geturl(): 返回URL，用于看是否有重定向。
result = response.geturl()
结果： https://www.python.org/
- info()：返回元信息，例如HTTP的headers。
result = response.info()
结果：
x-xss-protection: 1; mode=block
X-Clacks-Overhead: GNU Terry Pratchett
...
Vary: Cookie
Strict-Transport-Security: max-age=63072000;includeSubDomains
- getcode()：返回回复的HTTP状态码，成功是200，失败可能是503等，可以用来检查代理IP的可使用性。
result = response.getcode()
结果：200
Request方法
class Request:
def __init__(self, url, data=None, headers={},
origin_req_host=None, unverifiable=False,
method=None):
如上定义，Request是一个类，初始化中包括请求需要的各种参数：
-
url，data和上面urlopen中的提到的一样。 -
headers是HTTP请求的报文信息，如User_Agent参数等，它可以让爬虫伪装成浏览器而不被服务器发现你正在使用爬虫。 -
origin_reg_host,unverifiable,method等不太常用
headers很有用，有些网站设有反爬虫机制，检查请求若没有headers就会报错，因此博主为保证爬虫的稳定性，基本每次都会将headers信息加入进去，这是反爬的简单策略之一。
那么如何找到你所在浏览器的headers呢？
可以通过进入浏览器F12查看到
比如，博主用的Chrome浏览器，按F12->network就可以查看request的headers，可以把这个浏览器的headers信息复制下来使用。
下面来看看Request如何使用吧，代码如下：
import urllib.request
headers = {'User_Agent': ''}
response = urllib.request.Request('http://python.org/', headers=headers)
html = urllib.request.urlopen(response)
result = html.read().decode('utf-8')
print(result)
结果和前面urlopen是一样的，前面提到urlopen除了可以接受指定参数，也可以接受Request类的对象。' '里面填写自己浏览器的信息即可。
urllib库的requset属性里面还有很多其它方法，代理、超时、认证、HTTP的POST模式下请求等内容将在下次进行分享，这次主要介绍基本功能。
下面来说说异常，urllib库的error方法。
error的使用
error属性里面主要包括了两个重要的 exception类，URLError类和HTTPError类。
1. URLError类
def __init__(self, reason, filename=None):
self.args = reason,
self.reason = reason
if filename is not None:
self.filename = filename
-
URLError类是OSError的子类，继承OSError，没有自己的任何行为特点，但是将作为error里面所有其它类型的基类使用。 -
URLError类初始化定义了reason参数，意味着当使用URLError类的对象时，可以查看错误的reason。
2. HTTPErro类
def __init__(self, url, code, msg, hdrs, fp):
self.code = code
self.msg = msg
self.hdrs = hdrs
self.fp = fp
self.filename = url
-
HTTPError是URLError的子类，当HTTP发生错误将举出HTTPError。
-HTTPError也是HTTP有效回应的实例，因为HTTP协议错误是有效的回应，包括状态码，headers和body。所以看到在HTTPError初始化的时候定义了这些有效回应的参数。
- 当使用
HTTPError类的对象时，可以查看状态码，headers等。
下面我们用一个例子来看一下如何使用这两个exception类。
import urllib.request
import urllib.error
try:
headers = {'User_Agent': 'Mozilla/5.0 (X11; Ubuntu;
Linux x86_64; rv:57.0) Gecko/20100101
Firefox/57.0'}
response = urllib.request.Request('http://python.org/',
headers=headers)
html = urllib.request.urlopen(response)
result = html.read().decode('utf-8')
except urllib.error.URLError as e:
if hasattr(e, 'reason'):
print('错误原因是' + str(e.reason))
except urllib.error.HTTPError as e:
if hasattr(e, 'code'):
print('错误状态码是' + str(e.code))
else:
print('请求成功通过。')
以上代码使用了try..exception的结构，实现了简单的网页爬取，当有异常时，如URLError发生时，就会返回reason，或者HTTPError发生错误时就会返回code。异常的增加丰富了爬取的结构，使其更加健壮。
为什么说更加健壮了呢？
不要小看了这些异常的错误，这些异常的错误非常好用，也非常关键。想想看，当你编写一个需要不断自动运行爬取并解析的代码时，你是不希望程序中间被打断而终止的。如果这些异常状态没有设置好，那么就很有可能弹出错误而被终止，但如果设置好了完整的异常，则遇到错误时就会执行发生错误的代码而不被打断（比如向上面代码一样打印错误code等）。
这些打断程序的错误可能是很多种，尤其当你使用代理ip池的时候，会发生很多不同错误，这时异常就起到作用了。
3. 总结
- 介绍了爬虫的定义和学习路线
- 介绍了爬虫的过程
- 介绍开始爬虫学习的urllib库的使用，包含以下几个方法：
- request请求： urlopen, Request
- error异常
关注微信公众号Python爬虫之路，发送<学习资料>获取学习电子书~
博主会一直更新精彩内容，并分享更多的实战讲解，带你走进爬虫世界~
