python爬虫-urllib库学习

知道了爬虫的爬取数据的基本原理后，其实我们不需要知道它的底层是怎么实现的，我们可以借助python自带的一个urllib库，request模块可以模拟一个浏览器访问，这时只需要关注 请求的url是什么，请求的数据是什么，以及headers 就可以了，另外error异常处理模块方便我们遇到异常时进行处理，urllib的数据解析工具parse也非常的强大。（有比urllib更好的库 就是requests，不过现在还是先学习这个 ）

urlopen
1.get类型的：

response = urllib.request.urlopen('http://www.baidu.com')
print(response.read().decode('utf-8'))

2.post类型的（需要传送一个data，需要是bytes类型，所以需要转化）：

data = bytes(urllib.parse.urlencode({'world':'hello'}),encoding='utf-8')
response = urllib.request.urlopen('http://www.baidu.com',data=data)

3.timeout(相应超时返回异常，捕获异常)

response
1.响应类型

type（response）

2.状态码，响应头（判断响应是否成功的标志）

response.status
response.getheaders()
response.getheader('Server')

3.read（获取响应体的内容，其实是bytes字节流的格式，还需要解码）

response.read().decode('utf-8')

Request(可以发送request对象，传送复杂的请求比如headers)
1.简单的 将url绑定未request对象：

request = urllib.request.Request('http://python.org')
response = urllivb.request.urlopen(request)
print(resonse.read().decode('utf-8'))

2.复杂的post请求（http://httpbin.org 这个网站适合各种测试）

from urllib import request, parse

url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)',
    'Host': 'httpbin.org'
}
dict = {
    'name': 'Germey'
}
data = bytes(parse.urlencode(dict), encoding='utf8')
req = request.Request(url=url, data=data, headers=headers, method='POST')
response = request.urlopen(req)
print(response.read().decode('utf-8'))

安装和使用ipython（anaconda已经集成了）

上面的headers是直接以参数添加的Request对象中去。还可以使用add_header方法加入（for循环添加多个）。

from urllib import request, parse

url = 'http://httpbin.org/post'
dict = {
    'name': 'Germey'
}
data = bytes(parse.urlencode(dict), encoding='utf8')
req = request.Request(url=url, data=data, method='POST')
req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')
response = request.urlopen(req)
print(response.read().decode('utf-8'))

前面的是基本的构造request，可以完成大部分网页的爬取。

Handler相当于辅助的工具，帮助处理额外的操作
比如代理设置伪装自己的ip，切换不同的ip这样才不会被检测出而被封掉ip，下面有http/https 代理，利用bulid-opener这样的一个方法将hander传过来，构建一个opener，再利用opener的open方法（和urllib中的urlopen基本是一样的。）下面的代码，运行时候当然不成功，因为需要有实际的代理账号或者软件之类的。

import urllib.request

proxy_handler = urllib.request.ProxyHandler({
    'http': 'http://127.0.0.1:9743',
    'https': 'https://127.0.0.1:9743'
})
opener = urllib.request.build_opener(proxy_handler)
response = opener.open('http://httpbin.org/get')
print(response.read())

比如cookie，这是用来保持自己的登陆状态的，不然每次爬（刷新一次网页），就需要重新登陆相关的信息。

首先需要一个cookijar对象，然后定义一个handler（HTTPCookieProcessor）

import http.cookiejar, urllib.request

cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
for item in cookie:
    print(item.name+"="+item.value)

下面可以将cookie保存到本地的一个文件。MozillaCookieJar是cookiejar的一个子类。

import http.cookiejar, urllib.request
filename = "cookie.txt"
cookie = http.cookiejar.MozillaCookieJar(filename)
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
response = opener.open('http://www.baidu.com')
cookie.save(ignore_discard=True, ignore_expires=True)

urlencode

像一般的get请求都是url网址后面添加一个？然后再跟上参数。所以一个字典形式的参数，可以通过urlencode方法构造成get请求。

from urllib.parse import urlencode

params = {
    'name': 'germey',
    'age': 22
}
base_url = 'http://www.baidu.com?'
url = base_url + urlencode(params)
print(url)
http://www.baidu.com?name=germey&age=22

虽然这个代码大多是复制的，现在放这也是为了以后方便查找，但是urllib，没有requests库好。