Python urllib 库用于操作网页 URL,并对网页的内容进行抓取处理。
本文主要介绍 Python3 的 urllib。
urllib 包 包含以下几个模块:
urllib.request 定义了一些打开 URL 的函数和类,包含授权验证、重定向、浏览器 cookies等。
urllib.request 可以模拟浏览器的一个请求发起过程。
我们可以使用 urllib.request 的 urlopen 方法来打开一个 URL,语法格式如下:
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
实例如下:
from urllib.request import urlopen myURL = urlopen("https://www.dida100.com/") print(myURL.read())
以上代码使用 urlopen 打开一个 URL,然后使用 read() 函数获取网页的 HTML 实体代码。
read() 是读取整个网页内容,我们可以指定读取的长度:
from urllib.request import urlopen myURL = urlopen("https://www.dida100.com/") print(myURL.read(300))
除了 read() 函数外,还包含以下两个读取网页内容的函数:
readline() - 读取文件的一行内容
from urllib.request import urlopen myURL = urlopen("https://www.runoob.com/") print(myURL.readline()) #读取一行内容
readlines() - 读取文件的全部内容,它会把读取的内容赋值给一个列表变量。
from urllib.request import urlopen myURL = urlopen("https://www.runoob.com/") lines = myURL.readlines() for line in lines: print(line)
我们在对网页进行抓取时,经常需要判断网页是否可以正常访问,这里我们就可以使用 getcode() 函数获取网页状态码,返回 200 说明网页正常,返回 404 说明网页不存在:
import urllib.request myURL1 = urllib.request.urlopen("https://www.dida100.com/") print(myURL1.getcode()) # 200 try: myURL2 = urllib.request.urlopen("https://www.dida100.com/no.html") except urllib.error.HTTPError as e: if e.code == 404: print(404) # 404
更多网页状态码可以查阅:https://www.runoob.com/http/http-status-codes.html。
如果要将抓取的网页保存到本地,可以使用 Python3 File write() 方法 函数:
from urllib.request import urlopen myURL = urlopen("https://www.dida100.com/") f = open("dida100_urllib_test.html", "wb") content = myURL.read() # 读取网页内容 f.write(content) f.close()
执行以上代码,在本地就会生成一个 runoob_urllib_test.html 文件,里面包含了 https://www.runoob.com/ 网页的内容。
更多Python File 处理,可以参阅:https://www.runoob.com/python3/python3-file-methods.html
。URL 的编码与解码可以使用 urllib.request.quote() 与 urllib.request.unquote() 方法:
import urllib.request encode_url = urllib.request.quote("https://www.dida100.com/") # 编码 print(encode_url) unencode_url = urllib.request.unquote(encode_url) # 解码 print(unencode_url)
输出结果为:
https%3A//www.runoob.com/ https://www.runoob.com/
我们抓取网页一般需要对 headers(网页头信息)进行模拟,这时候需要使用到 urllib.request.Request 类:
class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
import urllib.request import urllib.parse url = 'https://www.dida100.com/?s=' # 嘀嗒教程搜索页面 keyword = 'Python 教程' key_code = urllib.request.quote(keyword) # 对请求进行编码 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' } #头部信息 request = urllib.request.Request(url_all,headers=header) reponse = urllib.request.urlopen(request).read() fh = open("./urllib_test_dida100_search.html","wb") # 将文件写入到当前目录中 fh.write(reponse) fh.close()
打开 urllib_test_runoob_search.html 文件(可以使用浏览器打开),内容如下:
表单 POST 传递数据,我们先创建一个表单,代码如下,我这里使用了 PHP 代码来获取表单的数据:
<!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title>嘀嗒教程(dida100.com) urllib POST 测试</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 来获取表单提交的数据,你可以换成其他的 if(isset($_POST['name']) && $_POST['tag'] ) { echo $_POST["name"] . ', ' . $_POST['tag']; } ?> </body> </html>
import urllib.request import urllib.parse url = 'https://www.dida100.com/try/py3/py3_urllib_test.php' # 提交到表单页面 data = {'name':'dida100', 'tag' : '嘀嗒教程'} # 提交数据 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' } #头部信息 data = urllib.parse.urlencode(data).encode('utf8') # 对参数进行编码,解码使用 urllib.parse.urldecode request=urllib.request.Request(url, data, header) # 请求处理 reponse=urllib.request.urlopen(request).read() # 读取结果 fh = open("./urllib_test_post_dida100.html","wb") # 将文件写入到当前目录中 fh.write(reponse) fh.close()
打开 urllib_test_post_runoob.html 文件(可以使用浏览器打开),显示结果如下:
urllib.error 模块为 urllib.request 所引发的异常定义了异常类,基础异常类是 URLError。
urllib.error 包含了两个方法,URLError 和 HTTPError。
URLError 是 OSError 的一个子类,用于处理程序在遇到问题时会引发此异常(或其派生的异常),包含的属性 reason 为引发异常的原因。
HTTPError 是 URLError 的一个子类,用于处理特殊 HTTP 错误例如作为认证请求的时候,包含的属性 code 为 HTTP 的状态码, reason 为引发异常的原因,headers 为导致 HTTPError 的特定 HTTP 请求的 HTTP 响应头。
对不存在的网页抓取并处理异常:
import urllib.request import urllib.error myURL1 = urllib.request.urlopen("https://www.dida100.com/") print(myURL1.getcode()) # 200 try: myURL2 = urllib.request.urlopen("https://www.dida100.com/no.html") except urllib.error.HTTPError as e: if e.code == 404: print(404) # 404
urllib.parse 用于解析 URL,格式如下:
urllib.parse.urlparse(urlstring, scheme='', allow_fragments=True)
urlstring 为 字符串的 url 地址,scheme 为协议类型,
allow_fragments 参数为 false,则无法识别片段标识符。相反,它们被解析为路径,参数或查询组件的一部分,并 fragment 在返回值中设置为空字符串。
from urllib.parse import urlparse o = urlparse("https://www.dida100.com/?s=python+%E6%95%99%E7%A8%8B") print(o)
以上实例输出结果为:
ParseResult(scheme='https', netloc='www.runoob.com', path='/', params='', query='s=python+%E6%95%99%E7%A8%8B', fragment='')
从结果可以看出,内容是一个元组,包含 6 个字符串:协议,位置,路径,参数,查询,判断。
我们可以直接读取协议内容:
from urllib.parse import urlparse o = urlparse("https://www.dida100.com/?s=python+%E6%95%99%E7%A8%8B") print(o.scheme)
以上实例输出结果为:
https
完整内容如下:
属性 |
索引 |
值 |
值(如果不存在) |
---|---|---|---|
|
0 |
URL协议 |
scheme 参数 |
|
1 |
网络位置部分 |
空字符串 |
|
2 |
分层路径 |
空字符串 |
|
3 |
最后路径元素的参数 |
空字符串 |
|
4 |
查询组件 |
空字符串 |
|
5 |
片段识别 |
空字符串 |
|
用户名 |
|
|
|
密码 |
|
|
|
主机名(小写) |
|
|
|
端口号为整数(如果存在) |
|
urllib.robotparser 用于解析 robots.txt 文件。
robots.txt(统一小写)是一种存放于网站根目录下的 robots 协议,它通常用于告诉搜索引擎对网站的抓取规则。
urllib.robotparser 提供了 RobotFileParser 类,语法如下:
class urllib.robotparser.RobotFileParser(url='')
这个类提供了一些可以读取、解析 robots.txt 文件的方法:
set_url(url) - 设置 robots.txt 文件的 URL。
read() - 读取 robots.txt URL 并将其输入解析器。
parse(lines) - 解析行参数。
can_fetch(useragent, url) - 如果允许 useragent 按照被解析 robots.txt 文件中的规则来获取 url 则返回 True。
mtime() -返回最近一次获取 robots.txt 文件的时间。 这适用于需要定期检查 robots.txt 文件更新情况的长时间运行的网页爬虫。
modified() - 将最近一次获取 robots.txt 文件的时间设置为当前时间。
crawl_delay(useragent) -为指定的 useragent 从 robots.txt 返回 Crawl-delay 形参。 如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误,则返回 None。
request_rate(useragent) -以 named tuple RequestRate(requests, seconds) 的形式从 robots.txt 返回 Request-rate 形参的内容。 如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误,则返回 None。
site_maps() - 以 list() 的形式从 robots.txt 返回 Sitemap 形参的内容。 如果此形参不存在或者此形参的 robots.txt 条目存在语法错误,则返回 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