主頁 > 知識庫 > 關(guān)于python爬蟲應(yīng)用urllib庫作用分析

關(guān)于python爬蟲應(yīng)用urllib庫作用分析

熱門標簽:高德地圖標注收入咋樣 怎么辦理400客服電話 企業(yè)微信地圖標注 B52系統(tǒng)電梯外呼顯示E7 鶴壁手機自動外呼系統(tǒng)違法嗎 萊蕪電信外呼系統(tǒng) 地圖標注多個 銀川電話機器人電話 沈陽防封電銷電話卡

一、urllib庫是什么?

urllib庫用于操作網(wǎng)頁 URL,并對網(wǎng)頁的內(nèi)容進行抓取處理

urllib包 包含以下幾個模塊:

urllib.request - 打開和讀取 URL。

urllib.error - 包含 urllib.request 拋出的異常。

urllib.parse - 解析 URL。

urllib.robotparser - 解析 robots.txt 文件

python爬蟲主要用到的urllib庫中的request和parse模塊

二、urllib庫的使用

下面我們來詳細說明一下這兩個常用模塊的基本運用

urllib.request模塊

urllib.request 定義了一些打開 URL 的函數(shù)和類,包含授權(quán)驗證、重定向、瀏覽器 cookies等。

語法如下:

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None,

capath=None, cadefault=False, context=None)

 url:url 地址。

data:發(fā)送到服務(wù)器的其他數(shù)據(jù)對象,默認為 None。

timeout:設(shè)置訪問超時時間。

cafile capath:cafile 為 CA 證書, capath 為 CA 證書的路徑,使用 HTTPS 需要用到。

cadefault:已經(jīng)被棄用。

context:ssl.SSLContext類型,用來指定 SSL 設(shè)置。

# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/2 19:24
# @FileName : testUrllib.py
# Software : PyCharm
import urllib.request
#get請求
response = urllib.request.urlopen("http://www.baidu.com")  #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象
#print(response)  可以嘗試打印一下看一下
print(response.read().decode('utf-8')) #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼

將其打印的內(nèi)容寫到一個html文件中,打開和百度一毛一樣

# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/2 19:24
# @FileName : testUrllib.py
# Software : PyCharm
import urllib.request
response = urllib.request.urlopen("http://www.baidu.com")  #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象
data = response.read().decode('utf-8')  #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼
#print(data)
with open("index.html",'w',encoding='utf-8') as wfile: #或者你們也可以常規(guī)打開,不過需要最后關(guān)閉記得close()
    wfile.write(data)
    print("讀取結(jié)束")

urllib.parse模塊

有時我們爬蟲需要模擬瀏覽器進行用戶登錄等操作,這個時候我們就需要進行post請求

但是post必須有一個獲取請求之后的響應(yīng),也就是我們需要有一個服務(wù)器。給大家介紹一個免費的服務(wù)器網(wǎng)址,就是用來測試用的http://httpbin.org/。主要用來測試http和https的

我們可以嘗試執(zhí)行一下,去獲取對應(yīng)的響應(yīng)。

可以用Linux命令去發(fā)起請求,URL地址為http://httpbin.org/post。得到下方的響應(yīng)。

我們也可以通過爬蟲來實現(xiàn)

# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/2 19:24
# @FileName : testUrllib.py
# Software : PyCharm
import urllib.request
import urllib.parse #解析器
data = bytes(urllib.parse.urlencode({"hello":"world"}),encoding='utf-8')  #轉(zhuǎn)換為二進制數(shù)據(jù)包,里面是鍵值對(有時輸入的用戶名:密碼就是這樣的),還有一些編碼解碼的數(shù)值等.這里就是按照utf-8的格式進行解析封裝生成二進制數(shù)據(jù)包
response = urllib.request.urlopen("http://httpbin.org/post",data=data)  #返回的請求
print(response.read().decode('utf-8'))      #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼

兩個響應(yīng)結(jié)果對比是不是一樣幾乎

相當(dāng)于進行了一次模擬的post請求。這樣有些需要登錄的網(wǎng)站也是可以爬取的。

利用try-except,進行超時處理

一般進行爬蟲時,不可能一直等待響應(yīng)。有時網(wǎng)絡(luò)不好或者網(wǎng)頁有反爬或者一些其他東西時。無法快速爬出。我們就可以進入下一個網(wǎng)頁繼續(xù)去爬。利用timeout屬性就好

# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/2 19:24
# @FileName : testUrllib.py
# Software : PyCharm
import urllib.request
try:
    response = urllib.request.urlopen("http://httpbin.org/get",timeout=0.01)  #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象, 直接用這個網(wǎng)址的get請求了.timeout表示超時,超過0.01秒不響應(yīng)就報錯,避免持續(xù)等待
    print(response.read().decode('utf-8'))      #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼
except urllib.error.URLError as e:
    print("超時了\t\t錯誤為:",e)

status狀態(tài)碼 getheaders()

status:

  • 返回200,正確響應(yīng)可以爬取
  • 報錯404,沒有找到網(wǎng)頁
  • 報錯418,老子知道你就是爬蟲
  • getheaders():獲取Response Headers

 

  • 也可以通過gethead(“xx”) 獲取xx對應(yīng)的值,比如:上圖 gethead(content-encoding) 為 gzip

突破反爬

首先打開任何一個網(wǎng)頁按F12找到Response Headers,拉到最下面找到 User-Agent。將其復(fù)制保存下來,為反爬做準備。

下面我們進行嘗試,直接爬取豆瓣,直接來個418,知道你是爬蟲,我們來偽裝一下

為什么418呢,因為如果是直接進行請求訪問的話,發(fā)過去的User-Agent 是下面的,直接告訴瀏覽器我們是爬蟲。我們需要偽裝

# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/2 19:24
# @FileName : testUrllib.py
# Software : PyCharm
import urllib.request
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36"
}
request = urllib.request.Request("http://douban.com", headers=headers) #返回的是請求,將我們偽裝成瀏覽器發(fā)送的請求
response = urllib.request.urlopen(request)  #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象
data = response.read().decode('utf-8')     #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼
with open("index.html",'w',encoding='utf-8') as wfile: #或者你們也可以常規(guī)打開,不過需要最后關(guān)閉記得close()
    wfile.write(data)

當(dāng)然反爬不可能如此簡單,上面將講的那個 post請求,也是十分常見的突破反爬的方式,不行就將整個Response Headers全部模仿。下面還有個例子作為參考。和上面的post訪問的網(wǎng)址一樣

瀏覽器訪問結(jié)果

爬蟲訪問結(jié)果

# -*- codeing = utf-8 -*-
# @Author: Y-peak
# @Time : 2021/9/3 0:47
# @FileName : testUrllib.py
# Software : PyCharm

import urllib.request
import urllib.parse
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.159 Safari/537.36"
}
url = "http://httpbin.org/post"
data = (bytes)(urllib.parse.urlencode({"賬戶":"密碼"}),encoding = 'utf-8')
request = urllib.request.Request(url, data = data,headers=headers, method='POST') #返回的是請求
response = urllib.request.urlopen(request)  #返回的是存儲網(wǎng)頁數(shù)據(jù)的對象
data = response.read().decode('utf-8')     #通過read將數(shù)據(jù)讀取出來, 使用utf-8解碼防止有的地方出現(xiàn)亂碼
print(data)

以上就是關(guān)于python爬蟲應(yīng)用urllib庫作用分析的詳細內(nèi)容,更多關(guān)于python爬蟲urllib庫分析的資料請關(guān)注腳本之家其它相關(guān)文章!

您可能感興趣的文章:
  • python爬蟲Scrapy框架:媒體管道原理學(xué)習(xí)分析
  • python爬蟲Mitmproxy安裝使用學(xué)習(xí)筆記
  • Python爬蟲和反爬技術(shù)過程詳解
  • python爬蟲之Appium爬取手機App數(shù)據(jù)及模擬用戶手勢
  • 爬蟲Python驗證碼識別入門
  • Python爬蟲技術(shù)
  • Python爬蟲爬取商品失敗處理方法
  • Python獲取江蘇疫情實時數(shù)據(jù)及爬蟲分析
  • Python爬蟲之Scrapy環(huán)境搭建案例教程
  • Python爬蟲中urllib3與urllib的區(qū)別是什么
  • 教你如何利用python3爬蟲爬取漫畫島-非人哉漫畫
  • Python爬蟲分析匯總

標簽:銀川 三亞 安慶 湘西 烏魯木齊 呼倫貝爾 呼倫貝爾 葫蘆島

巨人網(wǎng)絡(luò)通訊聲明:本文標題《關(guān)于python爬蟲應(yīng)用urllib庫作用分析》,本文關(guān)鍵詞  關(guān)于,python,爬蟲,應(yīng)用,urllib,;如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問題,煩請?zhí)峁┫嚓P(guān)信息告之我們,我們將及時溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò),涉及言論、版權(quán)與本站無關(guān)。
  • 相關(guān)文章
  • 下面列出與本文章《關(guān)于python爬蟲應(yīng)用urllib庫作用分析》相關(guān)的同類信息!
  • 本頁收集關(guān)于關(guān)于python爬蟲應(yīng)用urllib庫作用分析的相關(guān)信息資訊供網(wǎng)民參考!
  • 推薦文章