Python技能樹共建之python urllib 模塊

Posted on by

一、Python urllib 模塊是什麼

urllib 模塊是 Python 標準庫，其價值在於抓取網絡上的 URL 資源，入門爬蟲時必學的一個模塊。

不過更多的爬蟲工程師上手學習的模塊已經更換為 requests 瞭。

在 Python3 中 urllib 模塊包括如下內容。

  • urllib.request：請求模塊，用於打開和讀取 URL；
  • urllib.error：異常處理模塊，捕獲 urllib.error 拋出異常；
  • urllib.parse：URL 解析，爬蟲程序中用於處理 URL 地址；
  • urllib.robotparser：解析 robots.txt 文件，判斷目標站點哪些內容可爬，哪些不可以爬，但是用的很少。

二、使用方法

上手案例

打開一個測試站點，然後返回服務器響應內容。

from urllib.request import urlopen
with urlopen('https://www.example.net') as html:
    page = html.read()
print(page)

上述代碼用到瞭 urllib.requests 模塊，其內部定義瞭打開 URL 的函數，授權驗證的方法，重定向，cookie 操作等方法。

代碼中用到的 urlopen() 函數，就是打開一個 URL，該函數的語法格式如下所示：

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

參數描述如下所示：

  • url：請求地址；
  • data：發送到服務器的其他數據對象，默認為 None；
  • timeout：超時時間；
  • cafile 和 capath：cafile 為 CA 證書， capath 為 CA 證書的路徑，使用 HTTPS 需要用到；
  • context：ssl.SSLContext 類型，用來指定 SSL 設置。

調用該對象的 read() 方法，可以讀取到整個網頁數據。

其餘的函數與文件讀取類似，分別是 readline()，readlines()。

還可以調用對象的 getcode() 方法，獲取網頁狀態碼。

print(html.getcode()) # 返回 200

urlopen() 返回對象的更多方法

使用 urlopen() 可以得到一個 HTTPResposne 類型的對象，它包括上文提及的 read() 方法，getcode() 方法，除此之外，還有如下內容可以使用。

  • getheaders()：獲取請求頭內容；
  • getheader(name)：獲取指定請求頭；
  • msg：信息屬性；
  • version：版本屬性；
  • status：狀態屬性。

urllib.Request() 類

URL 請求抽象類，使用它可以擴展更多的請求配置，其構造方法如下所示：

def __init__(self, url, data=None, headers={},
                 origin_req_host=None, unverifiable=False,
                 method=None)

其參數說明如下所示：

  • url：請求地址，必選參數；
  • data：請求參數，必須為 bytes 類型數據，可以使用 urlencode() 進行編碼；
  • headers：字典類型，請求頭設置；
  • origin_req_host：請求的主機地址，IP 或域名；
  • method：請求方法。

測試代碼如下所示：

from urllib import request, parse
url = 'http://httpbin.org/post'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) 你的UA'
}
dict = {
    'name': 'xiangpica'
}
# 轉換數據類型
data = bytes(parse.urlencode(dict), encoding='utf8')
# 實例化對象
req = request.Request(url=url, data=data, headers=headers, method='POST')
# 添加請求頭
req.add_header('HOST', 'httpbin.org')
# 發送數據
response = request.urlopen(req)
print(response.read().decode('utf-8'))

urllib.parse

該模塊主要用於解析 URL，函數原型如下所示：

urllib.parse.urlparse(urlstring, scheme='', allow_fragments=True)

參數說明如下：

  • urlstring：URL 地址；
  • scheme：協議類型，可用的包括 file、ftp、gopher、hdl、http、https、imap、mailto、 mms、news、nntp、prospero、rsync、rtsp、rtspu、sftp、 sip、sips、snews、svn、svn+ssh、telnet……；
  • allow_fragments：是否忽略 URL 中的 fragment 部分。

標準的 URL 格式如下：

scheme://netloc/path;params?query#fragment

說明如下所示：

  • scheme：URL 協議；
  • netloc：域名和端口；
  • path：路徑；
  • params：最後一個路徑元素參數，不常用；
  • query：查詢字符串；
  • fragment：片段標志。
from urllib.parse import urlparse
result = urlparse('http://www.example.com/index.html;info?id=10086#comment')
print(type(result), result)
print(result.scheme, result[0])
print(result.netloc, result[1])
print(result.path, result[2])
print(result.params, result[3])
print(result.query, result[4])
print(result.fragment, result[5])

運行結果如下所示：

<class 'urllib.parse.ParseResult'> ParseResult(scheme='http', netloc='www.example.com', path='/index.html', params='info', query='id=10086', fragment='comment')
http http
www.example.com www.example.com
/index.html /index.html
info info
id=10086 id=10086
comment comment

urlparse() 返回結果是一個 ParseResult 類型的對象。

其餘內容

  • urlunparse() 方法與上述方法邏輯相反；
  • urljoin() 方法用於拼接鏈接；
  • urlencode()：格式化請求參數；
  • quote()：將內容轉換為 URL 編碼格式，尤其是轉換中文字符；
  • unquote()：對 URL 進行解碼。

三、提高場景

error 模塊

在 urllib 中，error 模塊定義異常，其包含如下類：

  • URLError：OSError 的一個子類，用於處理程序在遇到問題時會引發此異常；
  • HTTPError：URLError 的一個子類，用於處理特殊 HTTP 錯誤例如作為認證請求的時候

到此這篇關於Python技能樹共建之python urllib 模塊的文章就介紹到這瞭,更多相關 python urllib 模塊內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：