正文
Python爬虫(2):urllib库
小程序:扫一扫查出行
【扫一扫了解最新限行尾号】
复制小程序
【扫一扫了解最新限行尾号】
复制小程序
爬虫常用库urllib
注:运行环境为PyCharm
urllib是Python3内置的HTTP请求库
urllib.request:请求模块
urllib.error:异常处理模块
urllib.parse:url解析模块
urllib.robotparse:robot.txt解析模块
1、urllib.request.urlopen(url, data=None, [timeout]*, cafile=None, cadefault=False,content=None)
url:请求网址
data:请求时需要发送的数据
timeout:超时设置
from urllib import request # 请求获取网页返回内容
response = request.urlopen('https://www.toutiao.com/')
# 获取网页返回内容
print(response.read().decode('utf-8'))
# 获取状态码
print(response.status)
# 获取请求头
print(response.getheaders())
# 对请求头进行遍历
for k, v in response.getheaders():
print(k, '=', v)
当爬去一些反爬网站时,需要适当地增加请求头进行请求要用到 Request 对象。
2、error.URLError:url的一些问题,这个异常只有一个
reason属性
error.HTTPError:error.URLError的子类,在与上面的混合使用时需要将这个异常放到前面,这个异常是一些请求错误,有三个方法,
.reason(), .code(), .headers()
,在捕捉异常时通常先使用这个
3、urllib.parse.urlparse(url,scheme=‘’,allow_fragments=True)
3、urllib.parse.urlparse(url,scheme=‘’,allow_fragments=True)
解析url
from urllib import request, parse
# 解析url
print(parse.urlparse('https://movie.douban.com/'))
print(parse.urlparse('https://movie.douban.com/', scheme='http'))
print(parse.urlparse('movie.douban.com/', scheme='http')) 结果:
ParseResult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='')
ParseResult(scheme='https', netloc='movie.douban.com', path='/', params='', query='', fragment='')
ParseResult(scheme='http', netloc='', path='movie.douban.com/', params='', query='', fragment='')
反解析url
from urllib import parse
# 将列表元素拼接成url
url = ['http', 'www', 'baidu', 'com', '', 'f2b8183cd1e469a'] # 这里至少需要6个元素
print(parse.urlunparse(url)) 结果:
http://www/baidu;com?1554384640#f2b8183cd1e469a
参考资料:
1、Python爬虫常用库之urllib详解|日常学python:https://mp.weixin.qq.com/s?src=11×tamp=1554382467&ver=1526&signature=fJepqC9Qswpe2fWjtxmNrUth3gX5vZ0jPBQyzBeqQMhhfbj462b*Jk0WPXYUjXP6dUP63tU8G0HqPV9sDWllrGVr0frRAERQE4fY-6oqE5ZZxUXRnIW508nhNQdnQ*be&new=1