Python技能树共建之python urllib 模块

一、Python urllib 模块是什么

urllib 模块是 Python 标准库，其价值在于抓取网络上的 URL 资源，入门爬虫时必学的一个模块。

不过更多的爬虫工程师上手学习的模块已经更换为 requests 了。

在 Python3 中 urllib 模块包括如下内容。

• urllib.request：请求模块，用于打开和读取 URL；

• urllib.error：异常处理模块，捕获 urllib.error 抛出异常；

• urllib.parse：URL 解析，爬虫程序中用于处理 URL 地址；

• urllib.robotparser：解析 robots.txt 文件，判断目标站点哪些内容可爬，哪些不可以爬，但是用的很少。

二、使用方法

上手案例

打开一个测试站点，然后返回服务器响应内容。

from urllib.request import urlopen
with urlopen('https://www.example.net') as html:
   page = html.read()
print(page)

上述代码用到了 urllib.requests 模块，其内部定义了打开 URL 的函数，授权验证的方法，重定向，cookie 操作等方法。

代码中用到的 urlopen() 函数，就是打开一个 URL，该函数的语法格式如下所示：

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

参数描述如下所示：

• url：请求地址；

• data：发送到服务器的其他数据对象，默认为 None；

• timeout：超时时间；

• cafile 和 capath：cafile 为 CA 证书， capath 为 CA 证书的路径，使用 HTTPS 需要用到；

• context：ssl.SSLContext 类型，用来指定 SSL 设置。

调用该对象的 read() 方法，可以读取到整个网页数据。

其余的函数与文件读取类似，分别是 readline()，readlines()。

还可以调用对象的 getcode() 方法，获取网页状态码。

print(html.getcode()) # 返回 200

urlopen() 返回对象的更多方法

使用 urlopen() 可以得到一个 HTTPResposne 类型的对象，它包括上文提及的 read() 方法，getcode() 方法，除此之外，还有如下内容可以使用。

• getheaders()：获取请求头内容；

• getheader(name)：获取指定请求头；

• msg：信息属性；

• version：版本属性；

• status：状态属性。

urllib.Request() 类

URL 请求抽象类，使用它可以扩展更多的请求配置，其构造方法如下所示：

def __init__(self, url, data=None, headers={},
                origin_req_host=None, unverifiable=False,
                method=None)

其参数说明如下所示：

• url：请求地址，必选参数；

• data：请求参数，必须为 bytes 类型数据，可以使用 urlencode() 进行编码；

• headers：字典类型，请求头设置；

• origin_req_host：请求的主机地址，IP 或域名；

• method：请求方法。

测试代码如下所示：

from urllib import request, parse
url = 'http://httpbin.org/post'
headers = {
   'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) 你的UA'
}
dict = {
   'name': 'xiangpica'
}
# 转换数据类型
data = bytes(parse.urlencode(dict), encoding='utf8')
# 实例化对象
req = request.Request(url=url, data=data, headers=headers, method='POST')
# 添加请求头
req.add_header('HOST', 'httpbin.org')
# 发送数据
response = request.urlopen(req)
print(response.read().decode('utf-8'))

urllib.parse

该模块主要用于解析 URL，函数原型如下所示：

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

参数说明如下：

• urlstring：URL 地址；

• scheme：协议类型，可用的包括 file、ftp、gopher、hdl、http、https、imap、mailto、 mms、news、nntp、prospero、rsync、rtsp、rtspu、sftp、 sip、sips、snews、svn、svn+ssh、telnet……；

• allow_fragments：是否忽略 URL 中的 fragment 部分。

标准的 URL 格式如下：

scheme://netloc/path;params?query#fragment

说明如下所示：

• scheme：URL 协议；

• netloc：域名和端口；

• path：路径；

• params：最后一个路径元素参数，不常用；

• query：查询字符串；

• fragment：片段标志。

from urllib.parse import urlparse
result = urlparse('http://www.example.com/index.html;info?id=10086#comment')
print(type(result), result)
print(result.scheme, result[0])
print(result.netloc, result[1])
print(result.path, result[2])
print(result.params, result[3])
print(result.query, result[4])
print(result.fragment, result[5])

运行结果如下所示：

<class 'urllib.parse.ParseResult'> ParseResult(scheme='http', netloc='www.example.com', path='/index.html', params='info', query='id=10086', fragment='comment')
http http
www.example.com www.example.com
/index.html /index.html
info info
id=10086 id=10086
comment comment

urlparse() 返回结果是一个 ParseResult 类型的对象。

其余内容

• urlunparse() 方法与上述方法逻辑相反；

• urljoin() 方法用于拼接链接；

• urlencode()：格式化请求参数；

• quote()：将内容转换为 URL 编码格式，尤其是转换中文字符；

• unquote()：对 URL 进行解码。

三、提高场景

error 模块

在 urllib 中，error 模块定义异常，其包含如下类：

• URLError：OSError 的一个子类，用于处理程序在遇到问题时会引发此异常；

• HTTPError：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

来源：https://blog.51cto.com/cnca/5317932