閱讀(4.3k) 書簽贊(0) 我要糾錯

Python3 urllib模塊

2023-05-08 16:31 更新

Python urllib 庫用于操作網頁 URL，并對網頁的內容進行抓取處理。

本文主要介紹 Python3 的 urllib。

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。

urllib.request

urllib.request 定義了一些打開 URL 的函數和類，包含授權驗證、重定向、瀏覽器 cookies等。

urllib.request 可以模擬瀏覽器的一個請求發(fā)起過程。

我們可以使用 urllib.request 的 urlopen 方法來打開一個 URL，語法格式如下：

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

url：url 地址。
data：發(fā)送到服務器的其他數據對象，默認為 None。
timeout：設置訪問超時時間。
cafile 和 capath：cafile 為 CA 證書， capath 為 CA 證書的路徑，使用 HTTPS 需要用到。
cadefault：已經被棄用。
context：ssl.SSLContext類型，用來指定 SSL 設置。

實例如下：

from urllib.request import urlopen

myURL = urlopen("http://hgci.cn/")
print(myURL.read())

以上代碼使用 urlopen 打開一個 URL，然后使用 read() 函數獲取網頁的 HTML 實體代碼。

read() 是讀取整個網頁內容，我們可以指定讀取的長度：

from urllib.request import urlopen

myURL = urlopen("http://hgci.cn/")
print(myURL.read(300))

除了 read() 函數外，還包含以下兩個讀取網頁內容的函數：

readline() - 讀取文件的一行內容

from urllib.request import urlopen

myURL = urlopen("http://hgci.cn/")
print(myURL.readline()) #讀取一行內容

readlines() - 讀取文件的全部內容，它會把讀取的內容賦值給一個列表變量。

from urllib.request import urlopen

myURL = urlopen("http://hgci.cn/")
lines = myURL.readlines()
for line in lines:
    print(line)

我們在對網頁進行抓取時，經常需要判斷網頁是否可以正常訪問，這里我們就可以使用 getcode() 函數獲取網頁狀態(tài)碼，返回 200 說明網頁正常，返回 404 說明網頁不存在:

import urllib.request

myURL1 = urllib.request.urlopen("http://hgci.cn/")
print(myURL1.getcode())   # 200

try:
    myURL2 = urllib.request.urlopen("http://hgci.cn/no.html")
except urllib.error.HTTPError as e:
    if e.code == 404:
        print(404)   # 404

更多網頁狀態(tài)碼可以查閱：http://hgci.cn/http/http-status-codes.html

如果要將抓取的網頁保存到本地，可以使用 Python3 File write() 方法函數：

from urllib.request import urlopen

myURL = urlopen("http://hgci.cn/")
f = open("w3cschool_urllib_test.html", "wb")
content = myURL.read()  # 讀取網頁內容
f.write(content)
f.close()

執(zhí)行以上代碼，在本地就會生成一個 w3cschool_urllib_test.html 文件，里面包含了 http://hgci.cn/ 網頁的內容。

更多Python File 處理，可以參閱：http://hgci.cn/python3/python3-file-methods.html

URL 的編碼與解碼可以使用 urllib.request.quote() 與 urllib.request.unquote() 方法：

import urllib.request

encode_url = urllib.request.quote("http://hgci.cn/")  # 編碼
print(encode_url)

unencode_url = urllib.request.unquote(encode_url)    # 解碼
print(unencode_url)

輸出結果為：

https%3A//hgci.cn/
http://hgci.cn/

模擬頭部信息

我們抓取網頁一般需要對 headers（網頁頭信息）進行模擬，這時候需要使用到 urllib.request.Request 類：

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

url：url 地址。
data：發(fā)送到服務器的其他數據對象，默認為 None。
headers：HTTP 請求的頭部信息，字典格式。
origin_req_host：請求的主機地址，IP 或域名。
unverifiable：很少用整個參數，用于設置網頁是否需要驗證，默認是False。。
method：請求方法，如 GET、POST、DELETE、PUT等。

import urllib.request
import urllib.parse

url = 'http://hgci.cn/search?w='  # 編程獅搜索頁面
keyword = 'Python 教程'
key_code = urllib.request.quote(keyword)  # 對請求進行編碼
url_all = url+key_code
header = {
    'User-Agent':'Mozilla/5.0 (X11; Fedora; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}   #頭部信息
request = urllib.request.Request(url_all,headers=header)
reponse = urllib.request.urlopen(request).read()

fh = open("./urllib_test_w3cschool_search.html","wb")    # 將文件寫入到當前目錄中
fh.write(reponse)
fh.close()

執(zhí)行以上 Python 代碼，會在當前目錄生成 urllib_test_w3cschool_search.html 文件，打開 urllib_test_w3cschool_search.html 文件（可以使用瀏覽器打開），內容如下：

表單 POST 傳遞數據，我們先創(chuàng)建一個表單，代碼如下，我這里使用了 PHP 代碼來獲取表單的數據：

<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8">
<title>編程獅(w3cschool.cn) urllib POST  測試</title>
</head>
<body>
<form action="" method="post" name="myForm">
    Name: <input type="text" name="name"><br>
    Tag: <input type="text" name="tag"><br>
    <input type="submit" value="提交">
</form>
<hr>
<?php
// 使用 PHP 來獲取表單提交的數據，你可以換成其他的
if(isset($_POST['name']) && $_POST['tag'] ) {
   echo $_POST["name"] . ', ' . $_POST['tag'];
}
?>
</body>
</html>

import urllib.request
import urllib.parse

url = 'http://hgci.cn/try/py3/py3_urllib_test.php'  # 提交到表單頁面
data = {'name':'w3cschool', 'tag' : '編程獅'}   # 提交數據
header = {
    'User-Agent':'Mozilla/5.0 (X11; Fedora; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'
}   #頭部信息
data = urllib.parse.urlencode(data).encode('utf8')  # 對參數進行編碼，解碼使用 urllib.parse.urldecode
request=urllib.request.Request(url, data, header)   # 請求處理
reponse=urllib.request.urlopen(request).read()      # 讀取結果

fh = open("./urllib_test_post_w3cschool.html","wb")    # 將文件寫入到當前目錄中
fh.write(reponse)
fh.close()

執(zhí)行以上代碼，會提交表單數據到 py3_urllib_test.php 文件，輸出結果寫入到 urllib_test_post_w3cschool.html 文件。

打開 urllib_test_post_w3cschool.html 文件（可以使用瀏覽器打開），顯示結果如下：

CFE5A0A5-6E9C-4CBF-B866-0C559F239DF8

urllib.error

urllib.error 模塊為 urllib.request 所引發(fā)的異常定義了異常類，基礎異常類是 URLError。

urllib.error 包含了兩個方法，URLError 和 HTTPError。

URLError 是 OSError 的一個子類，用于處理程序在遇到問題時會引發(fā)此異常（或其派生的異常），包含的屬性 reason 為引發(fā)異常的原因。

HTTPError 是 URLError 的一個子類，用于處理特殊 HTTP 錯誤例如作為認證請求的時候，包含的屬性 code 為 HTTP 的狀態(tài)碼， reason 為引發(fā)異常的原因，headers 為導致 HTTPError 的特定 HTTP 請求的 HTTP 響應頭。

對不存在的網頁抓取并處理異常:

import urllib.request
import urllib.error

myURL1 = urllib.request.urlopen("http://hgci.cn/")
print(myURL1.getcode())   # 200

try:
    myURL2 = urllib.request.urlopen("http://hgci.cn/no.html")
except urllib.error.HTTPError as e:
    if e.code == 404:
        print(404)   # 404

urllib.parse

urllib.parse 用于解析 URL，格式如下：

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

urlstring 為字符串的 url 地址，scheme 為協(xié)議類型，

allow_fragments 參數為 false，則無法識別片段標識符。相反，它們被解析為路徑，參數或查詢組件的一部分，并 fragment 在返回值中設置為空字符串。

from urllib.parse import urlparse

o = urlparse("http://hgci.cn/?s=python+%E6%95%99%E7%A8%8B")
print(o)

以上實例輸出結果為：

ParseResult(scheme='https', netloc='hgci.cn', path='/', params='', query='s=python+%E6%95%99%E7%A8%8B', fragment='')

從結果可以看出，內容是一個元組，包含 6 個字符串：協(xié)議，位置，路徑，參數，查詢，判斷。

我們可以直接讀取協(xié)議內容：

from urllib.parse import urlparse

o = urlparse("http://hgci.cn/?s=python+%E6%95%99%E7%A8%8B")
print(o.scheme)

以上實例輸出結果為：

https

完整內容如下：

屬性	索引	值	值（如果不存在）
`scheme`	0	URL協(xié)議	scheme 參數
`netloc`	1	網絡位置部分	空字符串
`path`	2	分層路徑	空字符串
`params`	3	最后路徑元素的參數	空字符串
`query`	4	查詢組件	空字符串
`fragment`	5	片段識別	空字符串
`username`		用戶名	`None`
`password`		密碼	`None`
`hostname`		主機名（小寫）	`None`
`port`		端口號為整數（如果存在）	`None`

urllib.robotparser

urllib.robotparser 用于解析 robots.txt 文件。

robots.txt（統(tǒng)一小寫）是一種存放于網站根目錄下的 robots 協(xié)議，它通常用于告訴搜索引擎對網站的抓取規(guī)則。

urllib.robotparser 提供了 RobotFileParser 類，語法如下：

class urllib.robotparser.RobotFileParser(url='')

這個類提供了一些可以讀取、解析 robots.txt 文件的方法：

set_url(url) - 設置 robots.txt 文件的 URL。
read() - 讀取 robots.txt URL 并將其輸入解析器。
parse(lines) - 解析行參數。
can_fetch(useragent, url) - 如果允許 useragent 按照被解析 robots.txt 文件中的規(guī)則來獲取 url 則返回 True。
mtime() -返回最近一次獲取 robots.txt 文件的時間。這適用于需要定期檢查 robots.txt 文件更新情況的長時間運行的網頁爬蟲。
modified() - 將最近一次獲取 robots.txt 文件的時間設置為當前時間。
crawl_delay(useragent) -為指定的 useragent 從 robots.txt 返回 Crawl-delay 形參。如果此形參不存在或不適用于指定的 useragent 或者此形參的 robots.txt 條目存在語法錯誤，則返回 None。
request_rate(useragent) -以 named tuple RequestRate(requests, seconds) 的形式從 robots.txt 返回 Request-rate 形參的內容。如果此形參不存在或不適用于指定的 useragent 或者此形參的 robots.txt 條目存在語法錯誤，則返回 None。
site_maps() - 以 list() 的形式從 robots.txt 返回 Sitemap 形參的內容。如果此形參不存在或者此形參的 robots.txt 條目存在語法錯誤，則返回 None。

>>> import urllib.robotparser
>>> rp = urllib.robotparser.RobotFileParser()
>>> rp.set_url("http://www.musi-cal.com/robots.txt")
>>> rp.read()
>>> rrate = rp.request_rate("*")
>>> rrate.requests
3
>>> rrate.seconds
20
>>> rp.crawl_delay("*")
6
>>> rp.can_fetch("*", "http://www.musi-cal.com/cgi-bin/search?city=San+Francisco")
False
>>> rp.can_fetch("*", "http://www.musi-cal.com/")
True

以上內容是否對您有幫助：

← Python3 MongoDB

Python3 uWSGI 安裝配置 →

寫筆記

我要補充

Python3 urllib模塊

urllib.request

模擬頭部信息

urllib.error

urllib.parse

urllib.robotparser

推薦文章

推薦教程

推薦課程