新手小白必看python爬虫库学习（史上最详细的Python爬虫库urllib讲解）
新手小白必看python爬虫库学习（史上最详细的Python爬虫库urllib讲解）首先，我们一般进行爬虫程序编写时，开始都需要发送请求，然后获得响应进行处理。比如通过GET请求获取网页源代码，示例如下：request模块，包含发送请求，获得响应，Cookie，代理等相关API。这里，我们分别来介绍其使用的方式。3.robotparser：用来识别网站的robots.txt文件，然后判断哪些网站可以抓取，哪些不能抓取。4.error：异常处理。如果出现请求错误，可以捕获这些异常，然后根据代码的需要，进行处理。下面，我们来分别介绍urllib库这4个模块。
网络库urlliburllib库是Python3内置的HTTP请求库，不需要单独安装，默认下载的Python就已经包含了该库。
urllib库有4个模块：
1.request：最基本的HTTP请求模块，可以用法发送HTTP请求，并接收服务器的响应数据，这个过程就像在浏览器地址栏输入URL一样。
2.parse：工具模块，提供了很多处理URL的API，如拆分、解析、合并等。
3.robotparser：用来识别网站的robots.txt文件，然后判断哪些网站可以抓取，哪些不能抓取。
4.error：异常处理。如果出现请求错误，可以捕获这些异常，然后根据代码的需要，进行处理。
下面，我们来分别介绍urllib库这4个模块。
requestrequest模块，包含发送请求，获得响应，Cookie，代理等相关API。这里，我们分别来介绍其使用的方式。
发送GET请求首先，我们一般进行爬虫程序编写时，开始都需要发送请求，然后获得响应进行处理。比如通过GET请求获取网页源代码，示例如下：
import urllib.request
response=urllib.request.urlopen("https://www.csdn.net/")
print(response.read().decode("UTF-8"))
如上面代码所示，运行之后，我们会得到网页html源代码。
这里response是一个HTTPResponse对象，调用它多种方法及其属性，就可以进行多样的处理。
比如，我们这里来获取CSDN首页，调用其属性及其方法，示例如下：
import urllib.request
response = urllib.request.urlopen("https://www.csdn.net/")
print("status:" response.status " msg:" response.msg " version:" response.version)
print(response.getheaders())
这里，我们输出了CSDN首页的响应状态码，响应消息以及HTTP版本的属性，同时也打印其完整的响应头信息。
默认request.urlopen()函数发送的GET请求，如果需要发送POST请求，我们需要使用data命令参数，该参数类型是bytes。示例代码如下：
import urllib.request
import urllib.parse
data = bytes(urllib.parse.urlencode({'username': 'name' 'age': '123456'}) encoding="UTF-8")
response = urllib.request.urlopen("http://httpbin.org/post" data=data)
print(response.read().decode("UTF-8"))
运行之后，如果请求成功就会返回一大堆字符串数据。
在实际的爬虫项目中，我们都需要考虑一个关键的问题，那就是请求超时。如果请求网址因为长时间没有响应，那么卡在这里往往浪费大量的资源。
所以，我们需要设置一个超时时间，如果在限定的时间没有响应，就应该重新抓取，或者不再抓取。示例代码如下：
import urllib.request
import urllib.parse
import urllib.error
import socket
data = bytes(urllib.parse.urlencode({'username': 'name' 'age': '123456'}) encoding="UTF-8")
try:
response = urllib.request.urlopen("http://httpbin.org/post" data=data timeout=0.1)
print(response.read().decode("UTF-8"))
except urllib.error.URLError as e:
if isinstance(e.reason socket.timeout):
print("超时处理")
finally:
print("继续爬虫的工作")爬虫伪装
现在只要是知名的网站，都具有定义的防爬虫技术。所以，我们在开发爬虫程序时，需要将自己的请求伪装成浏览器。
不过，urlopen()并没有header请求头参数，我们需要使用request.Request()进行构造请求，示例代码如下：
import urllib.request
import urllib.parse
data = bytes(urllib.parse.urlencode({'username': 'name' 'age': '123456'}) encoding="UTF-8")
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
req = urllib.request.Request("http://httpbin.org/post" data=data headers=headers)
response = urllib.request.urlopen(req)
print(response.read().decode("UTF-8"))
这里，我们将爬虫程序伪装成从火狐浏览器进行的请求。
当然，Request类还有许多其他的信息，下表是博主列出来供读者参考使用的。
|
参数 |
意义 |
|
url |
用于发送请求的URl，必选参数（除这个参数之外，其他参数可选） |
|
data |
要提交的表单数据，必须是bytes类型 |
|
headers |
请求头 |
|
origin_req_host |
请求方的host名称或IP地址 |
|
unverifiable |
表示这个请求是否是无法验证的，默认是False，主要是说明用户没有足够的权限来选择接收这个请求的结果。举个例子，请求一个HTML的图像，但没有自动抓取图像的权限，这个时候该参数为True |
|
method |
用来指定是什么请求，比如GET POST PUT等，如果指定了data，默认就是POST请求 |
需要注意的是最后一个参数method，如果你在程序中，即指定了请求是GET，同时也有data表单数据，那么默认表单不会提交给服务器。
代理其实，服务器除了根据请求头进行判断是否为爬虫之外，最简单判别爬虫的方式，就是判断是否是同一个IP短时间大量访问。
如果同一个IP短时间大量访问，那么可以直接判别为爬虫程序。而这个时候，我们可以通过代理进行伪装。当然，使用代理时应该不断更换代理服务器。
示例代码如下：
import urllib.error
from urllib.request import ProxyHandler build_opener
proxy_handler = ProxyHandler({
'http': 'http://183.47.138.80:8888'
'http': 'http://125.78.226.217:8888'
})
opener = build_opener(proxy_handler)
try:
response = opener.open('https://www.csdn.net/')
print(response.read().decode('UTF-8'))
except urllib.error.URLError as e:
print(e.reason)
运行之后，与前文一样返回CSDN首页的源代码。不过，需要注意的是，博主在写博客时，这个代码IP是有效的，但如果你读到这篇博文，可能已经失效了，你需要自己去找免费的代理服务器测试。
获取Cookie一般来说，当我们使用爬虫登录网站之后，会使用服务器返回的Cookie进行操作，有了这个Cookie，服务器就知道我们已经登录过。
那么如果获取Cookie数据呢？示例如下：
import urllib.error
from urllib.request import ProxyHandler
import http.cookiejar
cookie = http.cookiejar.CookieJar()
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
try:
response = opener.open('https://www.csdn.net/')
for item in cookie:
print("name=" item.name " value=" item.value)
except urllib.error.URLError as e:
print(e.reason)
如上面代码所示，我们可以通过http.cookiejar库进行操作，这里会返回cookie的键值对，并输出打印，效果如下：
如果本身网站的Cookie时效比较长的话，那么一次爬虫之后，我们可以将其保存在使用，这个时候会用到MozillaCookieJar类与LWPCookieJar类。
这2个类会在获取Cookie的同一时间，将Cookie分别保存为Mozilla浏览器格式和libwww-perl(LWP)格式。示例代码如下：
import urllib.error
from urllib.request import ProxyHandler
import http.cookiejar
cookie = http.cookiejar.MozillaCookieJar('cookies.txt')
handler = urllib.request.HTTPCookieProcessor(cookie)
opener = urllib.request.build_opener(handler)
try:
response = opener.open('https://www.csdn.net/')
cookie.save(ignore_discard=True ignore_expires=True)
except urllib.error.URLError as e:
print(e.reason)
运行之后，会生成一个cookies.txt文件，具体内容如下：
而LWPCookieJar类的使用方式与上面MozillaCookieJar类似，这里不再赘述。至于读取通过cookie.load()方法进行加载Cookie。
Parse在实际的爬虫处理中，我们经常会遇到各种的编码问题。而这些问题就可以通过Parse进行解决处理。
中文的编码与解码比如，在某些网址的请求头中，有些网站请求头会含有中文。但默认不进行任何处理肯定会报UnicodeEncodeError错误。
读者可以通过上面的代码，在headers字典中添加一个键值对，让值取中文试试。下面，我们需要对其进行编码，示例如下：
import urllib.parse
import base64
value = urllib.parse.urlencode({'name': '安踏'})
print("编码后的中文：" value)
print("解码后的中文：" urllib.parse.unquote(value))
#base64编码与解码
base64Value=base64.b64encode(bytes('学习网络urllib库' encoding="UTF-8"))
print("编码后的中文：" base64Value)
print("解码后的中文：" str(base64.b64decode(base64Value) "UTF-8"))
运行之后，效果如下：
需要注意的是，urlencode只能对url参数进行编码，比如这里对headers请求头进行了编码。而网站中的数据，有的是通过base64进行编码的，这个时候，我们也需要掌握base64的解码与编码。
quote与unquotequote函数也是一个编码函数，但它与urlencode不同，urlencode只能对URL进行编码。而quote可以给任意字符串进行编码。
至于unquote是编码的逆过程（解码），示例如下：
from urllib.parse import quote unquote
url = 'https://www.baidu.com/s?wd=' quote("王者荣耀")
print(url)
url = unquote(url)
print(url)
运行之后，效果如下：
在前面介绍的时候，我们也说了parse模块可以分解，分析，合并URL。下面，我们来通过这些函数，举一些例子，读者就会明白了。
from urllib import parse
url = 'https://www.csdn.net/'
split_result=parse.urlsplit(url);
print(split_result)
result = parse.urlparse(url)
print('scheme:' result.scheme) # 网络协议
print('netloc:' result.netloc) # 域名
print('path:' result.path) # 文件存放路径
print('query:' result.query) # 查询字符
print('fragment:' result.fragment) # 拆分文档中的特殊猫
运行之后，效果如下：
对于URL来说，有时候我们需要将URL的多个部分进行组合。比如，我们在爬取某一个网站下图片时，其默认的前部分基本都相同，可能只是ID不同。
那么这个时候，我们需要将前部分URL与ID进行拼接。示例代码如下：
import urllib.parse
print(urllib.parse.urljoin('https://blog.csdn.net' 'liyuanjinglyj'))
print(urllib.parse.urljoin('https://blog.csdn.net' 'https://www.baidu.com'))
print(urllib.parse.urljoin('https://blog.csdn.net' 'index.html'))
print(urllib.parse.urljoin('https://blog.csdn.net/index.php' '?name=30'))
运行之后，效果如下：
urljoin的使用规则：第1个参数是base_url，是一个基URL，只能设置scheme、netloc和path，第2个参数是url。
如果第2个参数不是一个完整的URL，会将第2个参数的值加到第1个参数的后面，自动添加斜杠"/”。
如果第2个参数是一个完整的URL，那么直接返回第2个URL。
参数转换（parse_qs与parse_qsl）parse_qs函数将多个参数拆成字典的形式，key是参数名，value是参数值。
而parse_qsl函数返回一个列表，每个元素是一个包含2个元素值的元组，第1个元素表示key，第2个元素表示value。
示例如下：
from urllib.parse import parse_qs parse_qsl
query = "name=李元静&age=29"
print(parse_qs(query))
print(parse_qsl(query))
运行之后，效果如下：
2个函数仅返回的参数形式不同，内容基本都是匹配的。同时，它们2个函数不管对什么类型，转换结果都是字符串。
Robots协议Robots协议也称为爬虫协议、机器人协议，它的全名是网络爬虫排除标准（Robots Exclusing Protocol）。
用来告诉爬虫和搜索引擎哪些页面可以抓取，哪些不可以抓取。该协议通常放在一个名为robots.txt的文本文件中，它位于网站的根目录下。
特别注意，robots.txt文件仅仅是为了告诉开发中哪些数据可以抓取，哪些数据不可以，并不能阻止开发中进行爬虫操作。但作为一个有良知的程序员，应尽量尊重这些规则。
Robots协议的定义规则robots.txt的文本文件一般有3个值：
1.User-agent：如果它为*，表示对所有爬虫有效2.Disallow：哪个目录下的资源不能抓取，比如Disallow:/index/，那么禁止爬取index文件中的所有资源。如果为/，表示该网站都不能抓取。3.Allow：表示哪个目录下的资源可以抓取。比如Allow:/，表示所有网站都可以抓取。值与Disallow一样，只是反意义。
当然，User-agent还可以禁止某些爬虫抓取，比如禁止百度爬虫抓取：User-agent:BaiduSpider。常用的爬虫名如下表：
|
爬虫名称 |
搜索引擎 |
|
Googlebot |
谷歌 |
|
360Spider |
360搜索 |
|
Bingbot |
必应 |
|
BaiduSpider |
百度 |
当然，我们获取Robots协议，肯定是为了获取哪些资源不可爬。但是，直接通过字符串进行解析虽然也能完成，不过稍微复杂了点。
而urllib库的robotparser模块提供了相应的API进行解析，也就是RobotFileParser类。示例如下：
from urllib.robotparser import RobotFileParser
#一种解析方式
robot = RobotFileParser()
robot.set_url('https://www.csdn.net/robots.txt')
robot.read()
print(robot.can_fetch('*' 'https://blog.csdn.net/rank/list'))
#另一种解析方式
robot = RobotFileParser('https://www.csdn.net/robots.txt')
print(robot.can_fetch('*' 'https://blog.csdn.net/rank/list'))
这里，can_fetch方法用来判断该网址根据Robots协议是否可以抓取。这里判断的是CSDN排行榜能否抓取，返回了True。
error异常处理在上面的代码中，我们已经用过了。比如在请求超时的讲解之中，我们用到了URLError。但是它还有一个子类HTTPError。
HTTPError它主要用于HTTP请求错误的处理，比如400，404等错误。
HTTPError有3个重要的参数：
1.code：服务器返回的状态码，如404等2.reason：返回错误的原因3.headers：返回请求头
不过，HTTPError不能捕获超时错误，如果你需要处理超时错误，那么只能通过URLError进行捕获。
