python爬虫常用库之urllib详解

这是日常学python的第10篇原创文章

以下为个人在学习过程中做的笔记总结之爬虫常用库urllib

urlib库为python3的HTTP内置请求库

urilib的四个模块：

urllib.request:用于获取网页的响应内容

urllib.error:异常处理模块，用于处理异常的模块

urllib.parse:用于解析url

urllib.robotparse:用于解析robots.txt，主要用于看哪些网站不能进行爬取，不过少用

1

urllib.request

url:为请求网址

data:请求时需要发送的参数

timeout:超时设置，在该时间范围内返回请求内容就不会报错

示例代码：

可以使用上面的代码对一些网站进行请求了，但是当需要一些反爬网站时，这就不行了，这时我们需要适当地增加请求头进行请求，这时就需要使用复杂一点的代码了，这时我们需要用到Request对象

代码示例：

这个我添加了请求头进行请求，使我发送的请求更加接近浏览器的行为。可以对应一些反爬网站了

如果网站需要进行登陆，这时需要用到post方法，用上面的也是可以的。代码如下：

这里我用到了data的参数把登陆需要的参数传进去，还加了个请求方法Method

parse.urlencode()后面有讲

这里还有另外一种添加请求头的方法

Request.add_header():参数有两个，分别为请求头对应的键和值，这种方法一次只能添加一个请求头，添加多个需要用到循环或者直接用前面的方法添加多个请求头

在登陆了网站之后，我们需要用到cookie来保存登陆信息，这时就需要获取cookie了。urllib获取cookie比较麻烦。

代码示例如下：

单纯地打印没什么用，我们需要把他存入文件来保存，下次使用时再次加载cookie来登陆

保存cookie为文件：

另一种保存方法：

这两种保存格式都是不一样的，需要保存的内容一样。

保存可以了，这时就需要用到加载了，当然也可以。代码如下：

这样就可以实现不用密码进行登陆了。

cookie小总结：在操作cookie时，都是分五步，如下：

进行导包，至关重要的一步，不导包直接出错。

获取cookie处理对象，使用cookiejar包

创建cookie处理器，使用request.HTTPCookieJarProcessor()

利用cookie处理器构建opener，使用request.build_opener()

进行请求网站，用opener.open(),这个不能用request.urlopen()

如果有时你在同一ip连续多次发送请求，会有被封ip的可能，这时我们还需要用到代理ip进行爬取，代码如下：

可以看到越复杂的请求都需要用到request.build_opener(),这个方法有点重要，请记住哈

2

urllib.error

将上面的使用代理ip的请求进行异常处理，如下：

因为有时这个ip或许也被封了，有可能会抛出异常，所以我们为了让程序运行下去进而进行捕捉程序

error.URLError: 这个是url的一些问题，这个异常只有一个reason属性

error.HTTPError:这个是error.URLError的子类，所以在与上面的混合使用时需要将这个异常放到前面，这个异常是一些请求错误，有三个方法，.reason(), .code(), .headers(),所以在捕捉异常时通常先使用这个

3

urllib.parse

简单的使用：

可以看出加了scheme参数和没加的返回结果是有区别的。而当scheme协议加了，而前面的url也包含协议，一般会忽略后面的scheme参数

既然后解析url，那当然也有反解析url，就是把元素串连成一个url

urlparse()接收一个列表的参数，而且列表的长度是有要求的，是必须六个参数以上，要不会抛出异常

4

结语

还有个urllib.robotparse库少用，就不说了，留给以后需要再去查文档吧。