Python3 Urllib庫的基本使用

• 2020 年 1 月 10 日
• 筆記

一、什麼是Urllib

　　Urllib庫是Python自帶的一個http請求庫，包含以下幾個模塊：

• urllib.request　　　　請求模塊
• urllib.error　　   　　 異常處理模塊
• urllib.parse　　  　　 url解析模塊
• urllib.robotparser 　　robots.txt解析模塊

　　其中前三個模塊比較常用，第四個僅作了解。

二、Urllib方法介紹

　　將結合Urllib的官方文檔進行說明。首先是urllib.request模塊：

• urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

　　示例代碼1：

import urllib.request  response = urllib.request.urlopen('http://www.baidu.com')  print(response.read().decode('utf-8'))

　　這裡用到了方法的第一個參數，即為URL地址，這種請求方式為GET請求，因為沒有附加任何的參數。read()方法從返回中讀取響應體的內容，讀取完是二進制位元組流，因此需要調用decode()方法通過utf8編碼方式轉換成我們所能讀懂的網頁代碼。

　　示例代碼2：

import urllib.parse  import urllib.request  d = bytes(urllib.parse.urlencode({'name':'zhangsan'}),encoding='utf8')  response = urllib.request.urlopen('http://httpbin.org/post',data=d)  print(response.read().decode('utf-8'))

res: 

{    "args": {},    "data": "",    "files": {},    "form": {      "name": "zhangsan"    },    "headers": {      "Accept-Encoding": "identity",      "Connection": "close",      "Content-Length": "13",      "Content-Type": "application/x-www-form-urlencoded",      "Host": "httpbin.org",      "User-Agent": "Python-urllib/3.7"    },    "json": null,    "origin": "183.209.153.56",    "url": "http://httpbin.org/post"  }

這裡用到了第二個參數data，這次相當於一次post請求，該url是http測試網址。因為urlopen方法的data要求傳入的參數形式是二進制，所以我們需要對字典進行二進制轉碼。

　　示例代碼3：

# 設置請求的超時時間  import socket  import urllib.request    try:  	response = urllib.request.urlopen('http://www.baidu.com',timeout=0.01)  except urllib.error.URLError as e:  	if isinstance(e.reason,socket.timeout):  		print('Time Out')

　　這裡使用了timeout參數，設置了一個極短的時間以至於不會在時間內返回。所以程序會拋出異常。通過判斷異常的類型去打印異常信息是常用的手段，因此，當異常為timeout時，將打印『Time Out』。

　　示例代碼4：

1 # response有用的方法或參數  2 import urllib.request  3  4 response = urllib.request.urlopen('http://www.python.org')  5 print(response.status)  6 print(response.getHeaders()) # 元祖列表  7 print(response.getHeader('Server'))

　　status為狀態碼，getHeaders()返迴響應頭的信息。但是當我們想傳遞request headers的時候，urlopen就無法支持了，因此這裡需要一個新的方法。

• urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

　　示例代碼1：

 1 from urllib import request,parse   2   3 url = 'http://httpbin.org/post'   4 headers = {   5      'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3100.0 Safari/537.36',   6      'Host':'httpbin.org'   7 }   8 dict = {   9      'name':'zhangsan'  10 }  11  12 data = bytes(parse.urlencode(dict),encoding='utf8')  13 req = request.Request(url=url,data=data,headers=headers,method=post)  14 response = request.urlopen(req)  15 print(response.read().decode('utf-8'))

　　用Request方法進行post請求並加入了請求頭。

• urllib.request.build_opener([handler, …])

Handler是urllib中十分好用的一個工具，當我們進行IP代理訪問或者爬蟲過程保持對話（cookie）時，可以用相應的handler進行操作。以處理cookie的handler為例。

　　代碼示例2：

1 import http.cookiejar,urllib.request  2  3 cookie = http.cookiejar.CookieJar()  4 handler = urllib.request.HttpCookieProcessor(cookie)  5 opener = urllib.request.build_opener(handler)  6 response = opener.open('http://www.baidu.com')  7  8 for item in cookie:  9     print(item.name,item.value)

　　通過CookieJar()來構造一個cookie對象，然後調用urllib.request.HttpCookieProcesser()創建一個關於cookie的handler對象，通過這個handler構造opener，然後就可以進行http請求了。返回的response包含cookie信息，這個handler就可以拿到該cookie信息並保存到cookie對象中。cookie的作用在於，如果爬蟲過程中需要維持會話，那可以將cookie加入到Request中。

　　示例代碼3：

1 import http.cookiejar,urllib.request  2  3 filename = 'cookie.txt'  4 cookie = http.cookiejar.MozillaCookieJar(filename)  5 handler = urllib.request.HttpCookieProcessor(cookie)  6 opener = urllib.request.build_opener(handler)  7 response = opener.open('http://www.baidu.com')  8 cookie.save(ignore_discard=True,ignore_expires=True)

　　MozillaCookieJar是CookieJar的子類，可以將cookie寫入本地文件。

　　示例代碼4：

1 import http.cookiejar,urllib.request  2  3 cookie = http.cookiejar.MozillaCookieJar()  4 cookie.load('cookie.txt',Ignore_discard=True,Ignore_expires=True)  5 handler = urllib.request.HttpCookieProcessor(cookie)  6 opener = urllib.request.build_opener(handler)  7 response = opener.open('http://www.baidu.com')  8 print(response.read().decode('utf-8'))

　　通過cookie對象的load()方法可以從本地文件讀取cookie內容，然後可以在request中維持會話狀態。

　　其次是urllib.error模塊。

• urllib.error

　　示例代碼1：

 1 from urllib import request,error   2   3 try:   4     response = request.urlopen('http://bucunzai.com/index.html')   5 except error.HTTPError as e:   6     print(e.reason,e.code.e.header,sep='n')   7 except error.URLError as e:   8     print(e.reason)   9 else:  10     print('Request Successfully')

　　通過官方文檔可以看出，httperror是URLerror的子類，所以需要先捕捉子類異常。實例證明HTTPError被捕獲。文檔中可以看出，HTTPError有三個參數，分別是reason，code和header。通過實例可以得到code為404。下面將說明一種常見的用法，顯示異常時哪一類異常的方法。

　　示例代碼2：

1 from urllib import request,error  2 import socket  3  4 try:  5     response = request.urlopen('http://www.baidu.com',timeout=0.01)  6 except error.URLError as e:  7     if isinstance(e.reason,socket.timeout):  8         print('Time Out')

　　最後看一下urllib.parse中提供的常用方法。

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

　　示例代碼1：

1 from urllib.parse import urlparse  2  3 result = urlparse('http://www.baidu.com/index.html;user?id=5#comment',scheme='https')  4 print(result)  5 # ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html', params='user', query='id=5', fragment='comment')

　　最後一行為輸出結果。urlparse方法分析傳入的url結構，並且拆分成相應的元組。scheme參數的作用是提供一個默認值，當url沒有協議信息時，分析結果的scheme為默認值，如果有則默認值被覆蓋。

　　示例代碼2：

1 from urllib.parse import urlparse  2  3 result = urlparse('http://www.baidu.com/index.html;user#comment',allow_fragments=False)  4 print(result)  5 # ParseResult(scheme='http', netloc='www.baidu.com', path='/index.html',params='user#comment', query='', fragment='')

　　可以看到，當fragment參數被設置為false的時候，url中的fragment會被添加到前面有數據的那一項中。如果不清楚URL各部分的含義，可參考本篇備註。

• urllib.parse.urlunparse(parts)

　　進行url各部分的拼接，參數形式是一個列表類型。

　　示例代碼1：

1 from urllib.parse import urlunparse  2  3 data = ['http','www.baidu.com','index.html','user','a=6','comment']  4 print(urlunparse(data))  5  6 # http://www.baidu.com/index.html;user?a=6#comment

• urllib.parse.urljoin(base, url, allow_fragments=True)

　　示例代碼1：

1 from urllib.parse import urljoin  2  3 print(urljoin('http://www.baidu.com','index.html'))  4 print(urljoin('http://www.baidu.com#comment','?username="zhangsan"'))  5 print(urljoin('http://www.baidu.com','www.sohu.com'))  6  7 # http://www.baidu.com/index.html  8 # http://www.baidu.com?username="zhangsan"  9 # http://www.baidu.com/www.sohu.com

　　這種拼接需要注意其規則，如果第二個參數是第一個參數中沒有的url組成部分，那將進行添加，否則進行覆蓋。第二個print則是一種需要避免的現象，這種join方式會覆蓋掉低級別的參數。這裡的第三個print是一個反例，很多人認為解析是從域名開始的，實際上是從『//』開始解析的，官方文檔給出了很明確的解釋：If url is an absolute URL (that is, starting with // or scheme://), the url『s host name and/or scheme will be present in the result。所以再次建議，官方文檔是最好的學習工具。

• urllib.parse.urlencode()

　　urlencode()方法將字典轉換成url的query參數形式的字符串 。

　　示例代碼1：

 1 from urllib.parse import urlencode   2   3 params = {   4   'name':'zhangsan',   5   'age':22   6 }   7   8 base_url = 'http://www.baidu.com?'   9 url = base_url + urlencode(params)  10 print(url)  11  12 # 'http://www.baidu.com?name=zhangsan&age=22'