關(guān)于python爬蟲應(yīng)用urllib庫作用分析
一、urllib庫是什么？
urllib庫用于操作網(wǎng)頁 URL，并對網(wǎng)頁的內(nèi)容進(jìn)行抓取處理
urllib包 包含以下幾個模塊：
urllib.request - 打開和讀取 URL。
urllib.error - 包含 urllib.request 拋出的異常。
urllib.parse - 解析 URL。
urllib.robotparser - 解析 robots.txt 文件
python爬蟲主要用到的urllib庫中的request和parse模塊
二、urllib庫的使用
下面我們來詳細(xì)說明一下這兩個常用模塊的基本運(yùn)用
urllib.request模塊
urllib.request 定義了一些打開 URL 的函數(shù)和類，包含授權(quán)驗(yàn)證、重定向、瀏覽器 cookies等。
語法如下：
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None,
capath=None, cadefault=False, context=None)
url：url 地址。
data：發(fā)送到服務(wù)器的其他數(shù)據(jù)對象，默認(rèn)為 None。
timeout：設(shè)置訪問超時時間。
cafile 和 capath：cafile 為 CA 證書， capath 為 CA 證書的路徑，使用 HTTPS 需要用到。
cadefault：已經(jīng)被棄用。
context：ssl.SSLContext類型，用來指定 SSL 設(shè)置。
# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/2 19:24
# @FileName : testUrllib.py
# Software : PyCharm
import urllib.request
#get請求
response = urllib.request.urlopen("http://www.baidu.com") #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象
#print(response) 可以嘗試打印一下看一下
print(response.read().decode('utf-8')) #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼
將其打印的內(nèi)容寫到一個html文件中，打開和百度一毛一樣
# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/2 19:24
# @FileName : testUrllib.py
# Software : PyCharm
import urllib.request
response = urllib.request.urlopen("http://www.baidu.com") #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象
data = response.read().decode('utf-8') #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼
#print(data)
with open("index.html",'w',encoding='utf-8') as wfile: #或者你們也可以常規(guī)打開，不過需要最后關(guān)閉記得close()
wfile.write(data)
print("讀取結(jié)束")
urllib.parse模塊
有時我們爬蟲需要模擬瀏覽器進(jìn)行用戶登錄等操作，這個時候我們就需要進(jìn)行post請求
但是post必須有一個獲取請求之后的響應(yīng)，也就是我們需要有一個服務(wù)器。給大家介紹一個免費(fèi)的服務(wù)器網(wǎng)址，就是用來測試用的http://httpbin.org/。主要用來測試http和https的
我們可以嘗試執(zhí)行一下，去獲取對應(yīng)的響應(yīng)。
可以用Linux命令去發(fā)起請求，URL地址為http://httpbin.org/post。得到下方的響應(yīng)。
我們也可以通過爬蟲來實(shí)現(xiàn)
# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/2 19:24
# @FileName : testUrllib.py
# Software : PyCharm
import urllib.request
import urllib.parse #解析器
data = bytes(urllib.parse.urlencode({"hello":"world"}),encoding='utf-8') #轉(zhuǎn)換為二進(jìn)制數(shù)據(jù)包，里面是鍵值對（有時輸入的用戶名：密碼就是這樣的），還有一些編碼解碼的數(shù)值等.這里就是按照utf-8的格式進(jìn)行解析封裝生成二進(jìn)制數(shù)據(jù)包
response = urllib.request.urlopen("http://httpbin.org/post",data=data) #返回的請求
print(response.read().decode('utf-8'))#通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼
兩個響應(yīng)結(jié)果對比是不是一樣幾乎
相當(dāng)于進(jìn)行了一次模擬的post請求。這樣有些需要登錄的網(wǎng)站也是可以爬取的。
利用try-except，進(jìn)行超時處理
一般進(jìn)行爬蟲時，不可能一直等待響應(yīng)。有時網(wǎng)絡(luò)不好或者網(wǎng)頁有反爬或者一些其他東西時。無法快速爬出。我們就可以進(jìn)入下一個網(wǎng)頁繼續(xù)去爬。利用timeout屬性就好
# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/2 19:24
# @FileName : testUrllib.py
# Software : PyCharm
import urllib.request
try:
response = urllib.request.urlopen("http://httpbin.org/get",timeout=0.01) #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象, 直接用這個網(wǎng)址的get請求了.timeout表示超時，超過0.01秒不響應(yīng)就報錯，避免持續(xù)等待
print(response.read().decode('utf-8'))#通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼
except urllib.error.URLError as e:
print("超時了\t\t錯誤為：",e)
status狀態(tài)碼 && getheaders()
status:
- 返回200，正確響應(yīng)可以爬取
- 報錯404，沒有找到網(wǎng)頁
- 報錯418，老子知道你就是爬蟲
- getheaders():獲取Response Headers
- 也可以通過gethead(“xx”) 獲取xx對應(yīng)的值，比如：上圖 gethead(content-encoding) 為 gzip
突破反爬
首先打開任何一個網(wǎng)頁按F12找到Response Headers，拉到最下面找到 User-Agent。將其復(fù)制保存下來，為反爬做準(zhǔn)備。
下面我們進(jìn)行嘗試，直接爬取豆瓣，直接來個418，知道你是爬蟲，我們來偽裝一下
為什么418呢，因?yàn)槿绻侵苯舆M(jìn)行請求訪問的話，發(fā)過去的User-Agent 是下面的，直接告訴瀏覽器我們是爬蟲。我們需要偽裝
# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/2 19:24
# @FileName : testUrllib.py
# Software : PyCharm
import urllib.request
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36"
}
request = urllib.request.Request("http://douban.com", headers=headers) #返回的是請求，將我們偽裝成瀏覽器發(fā)送的請求
response = urllib.request.urlopen(request) #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象
data = response.read().decode('utf-8') #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼
with open("index.html",'w',encoding='utf-8') as wfile: #或者你們也可以常規(guī)打開，不過需要最后關(guān)閉記得close()
wfile.write(data)
當(dāng)然反爬不可能如此簡單，上面將講的那個 post請求，也是十分常見的突破反爬的方式，不行就將整個Response Headers全部模仿。下面還有個例子作為參考。和上面的post訪問的網(wǎng)址一樣
瀏覽器訪問結(jié)果
爬蟲訪問結(jié)果
# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/3 0:47
# @FileName : testUrllib.py
# Software : PyCharm
import urllib.request
import urllib.parse
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36"
}
url = "http://httpbin.org/post"
data = (bytes)(urllib.parse.urlencode({"賬戶":"密碼"}),encoding = 'utf-8')
request = urllib.request.Request(url, data = data,headers=headers, method='POST') #返回的是請求
response = urllib.request.urlopen(request) #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象
data = response.read().decode('utf-8') #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼
print(data)
以上就是關(guān)于python爬蟲應(yīng)用urllib庫作用分析的詳細(xì)內(nèi)容，更多關(guān)于python爬蟲urllib庫分析的資料請關(guān)注本站其它相關(guān)文章！
版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信