1.基本方法
urllib.request.
urlopen
(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
- url: 需要打开的网址
- data:Post提交的数据
- timeout:设置网站的访问超时时间
直接用urllib.request模块的urlopen()获取页面,page的数据格式为bytes类型,需要decode()解码,转换成str类型。
1 from urllib import request2 response = request.urlopen(r'http://python.org/') # <http.client.HTTPResponse object at 0x00000000048BC908> HTTPResponse类型3 page = response.read()4 page = page.decode('utf-8')
urlopen返回对象提供方法:
- read() , readline() ,readlines() , fileno() , close() :对HTTPResponse类型数据进行操作
- info():返回HTTPMessage对象,表示远程服务器返回的头信息
- getcode():返回Http状态码。如果是http请求,200请求成功完成;404网址未找到
- geturl():返回请求的url
2.使用Request
urllib.request.
Request
(url, data=None, headers={}, method=None)
使用request()来包装请求,再通过urlopen()获取页面。
1 url = r'http://www.lagou.com/zhaopin/Python/?labelWords=label' 2 headers = { 3 'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 4 r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 5 'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label', 6 'Connection': 'keep-alive' 7 } 8 req = request.Request(url, headers=headers) 9 page = request.urlopen(req).read()10 page = page.decode('utf-8')
用来包装头部的数据:
- User-Agent :这个头部可以携带如下几条信息:浏览器名和版本号、操作系统名和版本号、默认语言
- Referer:可以用来防止盗链,有一些网站图片显示来源http://***.com,就是检查Referer来鉴定的
- Connection:表示连接状态,记录Session的状态。
3.Post数据
urllib.request.
urlopen
(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
urlopen()的data参数默认为None,当data参数不为空的时候,urlopen()提交方式为Post。
1 from urllib import request, parse 2 url = r'http://www.lagou.com/jobs/positionAjax.json?' 3 headers = { 4 'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 5 r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 6 'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label', 7 'Connection': 'keep-alive' 8 } 9 data = {10 'first': 'true',11 'pn': 1,12 'kd': 'Python'13 }14 data = parse.urlencode(data).encode('utf-8')15 req = request.Request(url, headers=headers, data=data)16 page = request.urlopen(req).read()17 page = page.decode('utf-8')
urllib.parse.urlencode
(query, doseq=False, safe='', encoding=None, errors=None)
urlencode()主要作用就是将url附上要提交的数据。
1 data = {2 'first': 'true',3 'pn': 1,4 'kd': 'Python'5 }6 data = parse.urlencode(data).encode('utf-8')
经过urlencode()转换后的data数据为?first=true?pn=1?kd=Python,最后提交的url为
http://www.lagou.com/jobs/positionAjax.json?first=true?pn=1?kd=Python
Post的数据必须是bytes或者iterable of bytes,不能是str,因此需要进行encode()编码
1 page = request.urlopen(req, data=data).read()
当然,也可以把data的数据封装在urlopen()参数中
4.异常处理
1 def get_page(url): 2 headers = { 3 'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 4 r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 5 'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label', 6 'Connection': 'keep-alive' 7 } 8 data = { 9 'first': 'true',10 'pn': 1,11 'kd': 'Python'12 }13 data = parse.urlencode(data).encode('utf-8')14 req = request.Request(url, headers=headers)15 try:16 page = request.urlopen(req, data=data).read()17 page = page.decode('utf-8')18 except error.HTTPError as e:19 print(e.code())20 print(e.read().decode('utf-8'))21 return page
5、使用代理
urllib.request.
ProxyHandler
(proxies=None)
当需要抓取的网站设置了访问限制,这时就需要用到代理来抓取数据。
1 data = { 2 'first': 'true', 3 'pn': 1, 4 'kd': 'Python' 5 } 6 proxy = request.ProxyHandler({'http': '5.22.195.215:80'}) # 设置proxy 7 opener = request.build_opener(proxy) # 挂载opener 8 request.install_opener(opener) # 安装opener 9 data = parse.urlencode(data).encode('utf-8')10 page = opener.open(url, data).read()11 page = page.decode('utf-8')12 return page