首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >爬虫之urllib包以及request模块和parse模块

爬虫之urllib包以及request模块和parse模块

作者头像
人生不如戏
发布2018-05-30 15:00:52
1.1K0
发布2018-05-30 15:00:52
举报
文章被收录于专栏:抠抠空间抠抠空间

urllib简介

简介

Python3中将python2.7的urllib和urllib2两个包合并成了一个urllib库

Python3中,urllib库包含有四个模块:

  1. urllib.request        主要用来打开或者读取url
  2. urllib.error            主要用来存放返回的错误信息
  3. urllib.parse           主要用来解析url
  4. urllib.robotparser  主要用来解析robots.txt文件

模块安装与导入

urllib是python自带的一个包,无需安装,导入方法如下:

from urllib import request
...

urllib.request

urllib.request这个模块用得比较多, 尤其是urlopen函数,会返回一个二进制的对象,对这个对象进行read()操作可以得到一个包含网页的二进制字符串,然后用decode()解码成一段html代码:

语法结构:

urllib.request.urlopen(url,data=None,[timeout,]*,cafile=None, capath=None, cadefault=False, context=None)

参数:其中url既可以是一个URL字符串,又可以是一个Requst对象,一般使用后者添加其他参数。

当request的方式是post时,使用参数data,用于填写传递的表单信息,将data填好表单信息,准备传入urlopen 前,还需要利用urllib.parse里的urlencode()函数转换格式,写成data = urllib.parse.urlencode(data).encode(‘’),然后将data传入函数。

而urllib.request的Request函数,也可以用于打开url字符串,同时可以传入更多的参数,例如:headers,Request函数可以返回一个request对象作为urlopen函数的url参数使用。

语法结构:

urllib.request. Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

参数:其中url是一个URL字符串。

data用法与urlopen一致。

headers参数是一个字典,服务器对于用户发出的request,会通过其中的headers信息来判断用户发信息,我们可以通过自己编写headers传入urllib.request. Request中用于伪装自己的身份。Header中User-agent参数是判断用户身份。另外通过设置代理可以改变用户提交时的IP地址。

urllib.error 

待续......

urllib.parse  

待续......

urllib.robotparser 

待续......

爬虫小示例

代码

from urllib import request

# 定义一个url
url = 'https://www.baidu.com/'

# 用request.urlopen()方法打开指定的url
response = request.urlopen(url)

# 返回的是一个HTTPResponse对象
print(type(response))    # <class 'http.client.HTTPResponse'>
print(response)          # <http.client.HTTPResponse object at 0x00000196C95CB550>

# 调用返回的response对象的read()方法,可以读取url返回的html内容,不过是bytes类型的
html = response.read()
print(type(html))        # <class 'bytes'>

# 对bytes类型的html进行解码
html = html.decode()
print(html)

分析

根据以上代码,我们得知,urllib包下面的request模块的urlopen方法可以获取一个HttpResponse对象,通过调用对象的read()方法可以获取二进制格式的url的html内容,对结果进行解码即可

 urlopen返回的HttpResonse对象

我们从上面的小示例可以看出,urlopen打开一个url后会返回一个HttpResponse对象,这个对象有以下几个常用的方法:

read()

次方法用来读取url的html内容,格式为二进制

geturl()

用来获取urlopen的url参数,也就是所打开的url

如,在上面示例中调用此方法:

print(response.geturl())
 
# https://www.baidu.com/

info()

返回response对象的meta信息

print(response.info())

'''
Accept-Ranges: bytes
Cache-Control: no-cache
Content-Length: 227
Content-Type: text/html
Date: Wed, 09 May 2018 13:59:22 GMT
Last-Modified: Tue, 08 May 2018 03:45:00 GMT
P3p: CP=" OTI DSP COR IVA OUR IND COM "
Pragma: no-cache
Server: BWS/1.1
Set-Cookie: BD_NOT_HTTPS=1; path=/; Max-Age=300
Set-Cookie: BIDUPSID=E163F6688178D6656D765FF58DBA2D01; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com
Set-Cookie: PSTM=1525874362; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com
Strict-Transport-Security: max-age=0
X-Ua-Compatible: IE=Edge,chrome=1
Connection: close
'''

getcode()

返回http状态码。200 404  403等

print(response.getcode())

# 200

给urlopen传递参数

get方法传参

利用url参数给服务器传递信息

参数为dict类型,需要用parse对字典参数进行编码

格式为:

response = request.urlopen(url,data)

示例如下:

from urllib import request
from urllib import parse

url = 'https://www.baidu.com/s'

# 让用户输入关键词
keyword = input('请输入您要搜索的内容:')

# 定义一个字典,将用户输入的关键字封装到里面
data = {'kw':keyword}

# 对data进行编译
data = parse.urlencode(data).encode()

response = request.urlopen(url,data)

print(response.read().decode())

上面的小示例是直接用给urlopen的data传参数的形式来传递数据,也可以将参数数据封装给一个Request对象,然后将对象再传递给urlopen。

这种方法可以传递更多的信息,如header等,可以更好的隐藏我们身份,伪装成浏览器访问,如下:

from urllib import request
from urllib import parse

keyword = input('请输入您要搜索的内容:')
url = 'https://www.baidu.com/s'
data = {'kw':keyword}
header = {'Content-Length':len(data)}

req = request.Request(url,data=parse.urlencode(data).encode(),headers=header)

response = request.urlopen(req)

print(response.read().decode())

post方法传参

连接百度翻译接口的小示例

from urllib import request
from urllib import parse

url = 'http://fanyi.baidu.com/sug'

keyword = input('请输入您要翻译的词语')

data = {'kw':keyword}
data = parse.urlencode(data).encode()

header = {'Content-Length':len(data)}

res = request.Request(url,data=data,headers=header)

response = request.urlopen(res)

res = response.read().decode()
print(res)

上面的小示例返回的是一个json类型的字典,输入'girl'之后翻译结果如下:

{"errno":0,"data":[{"k":"girl","v":"n. \u5973\u5b69; \u59d1\u5a18\uff0c\u672a\u5a5a\u5973\u5b50; \u5973\u804c\u5458\uff0c\u5973\u6f14\u5458; \uff08\u7537\u4eba\u7684\uff09\u5973\u670b\u53cb;"},{"k":"girls","v":"n. \u5973\u5b69; \u5973\u513f( girl\u7684\u540d\u8bcd\u590d\u6570 ); \u5973\u5de5; \uff08\u7537\u4eba\u7684\uff09\u5973\u670b\u53cb;"},{"k":"girlfriend","v":"n. \u5973\u670b\u53cb; \u5973\u6027\u670b\u53cb;"},{"k":"girl friend","v":"n. \u5973\u670b\u53cb\uff0c\uff08\u7537\u4eba\u7684\uff09\u60c5\u4eba; \u5bf9\u8c61;"},{"k":"Girls' Generation","v":" \u5c11\u5973\u65f6\u4ee3\uff08\u97e9\u56fdSM\u5a31\u4e50\u6709\u9650\u516c\u53f8\u4e8e2007\u5e74\u63a8\u51fa\u7684\u4e5d\u540d\u5973\u5b50\u5c11\u5973\u7ec4\u5408\uff09;"}]}

我们只需要用json给它转成字典格式,然后循环展示即可查看到结果,如下:

from urllib import request
from urllib import parse
import json

url = 'http://fanyi.baidu.com/sug'

keyword = input('请输入您要翻译的词语')

data = {'kw':keyword}
data = parse.urlencode(data).encode()

header = {'Content-Length':len(data)}

res = request.Request(url,data=data,headers=header)

response = request.urlopen(res)

res = response.read().decode()

fanyi_res = json.loads(res)['data']


for item in fanyi_res:
    print(item['k'],item['v'])

结果如下:

请输入您要翻译的词语girl
girl n. 女孩; 姑娘,未婚女子; 女职员,女演员; (男人的)女朋友;
girls n. 女孩; 女儿( girl的名词复数 ); 女工; (男人的)女朋友;
girlfriend n. 女朋友; 女性朋友;
girl friend n. 女朋友,(男人的)情人; 对象;
Girls' Generation  少女时代(韩国SM娱乐有限公司于2007年推出的九名女子少女组合);
本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2018-05-09 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • urllib简介
    • 简介
      • 模块安装与导入
        • urllib.request
          • urllib.error 
            • urllib.parse  
              • urllib.robotparser 
              • 爬虫小示例
                • 代码
                  • 分析
                  •  urlopen返回的HttpResonse对象
                    • read()
                      • geturl()
                        • info()
                          • getcode()
                          • 给urlopen传递参数
                            • get方法传参
                              • post方法传参
                              领券
                              问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档