Python urllib 入门使用详细教程

 更新时间:2022年11月15日 16:35:36   作者:卡尔特斯  
urllib 库,它是 Python 内置的 HTTP 请求库,不需要额外安装即可使用,这篇文章主要介绍了Python urllib 入门使用,需要的朋友可以参考下

一、简介

urllib 库,它是 Python 内置的 HTTP 请求库,不需要额外安装即可使用,它包含四个模块:

`request` 请求模块,提供最基本的 `HTTP` 请求处理。
`parse` 工具模块,提供处理 `url` 的很多方法:拆分、解析、合并等等。
`error` 异常处理模块,如果出现请求错误,可以捕获这些错误,保证程序不会意外终止。
`robotparser` 模块,主要用来识别网站的 `robots.txt` 文件,判断哪些网站可以爬取,用的比较少。

二、 request 模块

1、urlopen:打开一个指定 URL,然后使用 read() 获取网页的 HTML 实体代码。

# 使用 urllib
import urllib.request

# 1、定义一个 url
url = 'http://www.baidu.com'

# 2、模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 3、获取响应数据中的页面源码(注意:read() 返回的是字节形式的二进制数据,返回数据会被 b'xxx' 进行包裹)
content = response.read()

# 4、输出二进制数据 content
print(content)
# 输出结果:b'<html>\r\n<head>\r\n\t<script>\r\n\t\tlocation.replace(location.href.replace("https://","http://"));\r\n\t</script>\r\n</head>\r\n<body>\r\n\t<noscript><meta http-equiv="refresh" content="0;url=http://www.baidu.com/"></noscript>\r\n</body>\r\n</html>'

# 5、将二进制数据转成字符串,这里需要网页对应的编码格式(例如:<meta http-equiv="Content-Type" content="text/html;charset=utf-8">),charset= 的就是编码格式 utf-8
content = content.decode('utf-8')

# 6、输出字符串 content
print(content)

2、response:响应的数据对象 HTTPResponse 类型

# 使用 urllib
import urllib.request

# 1、定义一个 url
url = 'http://www.baidu.com'

# 2、模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# response 是 http.client.HTTPResponse 类型
print(type(response))

# read 方法是按照一个字节一个字节的去读取内容
content = response.read()
print(content)

# read 方法可以指定读取多少个字节
content = response.read(50)
print(content)

# 读取一行
content = response.readline()
print(content)

# 读取所有行
content = response.readlines()
print(content)

# 获取状态码
print(response.getcode())

# 获取访问的链接地址
print(response.geturl())

# 获取 headers
print(response.getheaders())

3、Request:自定义请求对象

# 使用 urllib
import urllib.request

# url 的组成
# https://www.baidu.com/s?wd=123

# 协议         主机               端口号    路径   参数   锚点
# http/https   www.baidu.com      80      s     wd     #
# http                            80
# https                           443
# mysql                           3306
# oracle                          1521
# redis                           6379
# mongdb                          27017

# 1、定义一个 https 的 url
url = 'https://www.baidu.com'

# 2、模拟浏览器向服务器发送请求
response = urllib.request.urlopen(url)

# 3、获取内容字符串
content = response.read().decode('utf-8')

# 4 会发现直接这么拿回来的数据不完整,这就是反扒的其中一种,代表给到服务器识别的信息不完整,比如 header 头里面的请求信息缺少。
print(content)

# 解决方式:

# 定义 header
headers = {
  # UA 最基本的防爬识别
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
}

# 1、定义一个 https 的 url
url = 'https://www.baidu.com'

# 2、定义一个 Request 对象,urlopen 方法并不能直接带 header。
# 细节:为什么这里需要写 url=url 而有的地方不需要?因为 Request 构造方法传参顺序问题 Request(url, data=None, headers={} ...)
request = urllib.request.Request(url=url, headers=headers)

# 3、模拟浏览器向服务器发送请求
response = urllib.request.urlopen(request)

# 3、获取内容字符串
content = response.read().decode('utf-8')

# 4 输出
print(content)

4、urlretrieve:下载(例如:图片、视频、网页源码…)

# 使用 urllib
import urllib.request

# 下载网页
url = 'http://www.baidu.com'

# 参数1:页面地址,参数2:文件名称(或路径与名称,例如:./test/baidu.html、baidu.html,不指定路径默认当前)
urllib.request.urlretrieve(url, 'baidu.html')


# 下载图片
url = 'https://gimg2.baidu.com/image_search/src=http%3A%2F%2Fpic1.win4000.com%2Fwallpaper%2F8%2F55402f62682e3.jpg&refer=http%3A%2F%2Fpic1.win4000.com&app=2002&size=f9999,10000&q=a80&n=0&g=0n&fmt=auto?sec=1670904201&t=2dc001fbd959432efe8b8ee0792589ba'

# 参数1:页面地址,参数2:文件名称(或路径与名称,例如:./test/baidu.html、baidu.html,不指定路径默认当前)
urllib.request.urlretrieve(url, 'dzm.jpg')

二、 parse 模块

1、quote:(GET)参数进行 unicode 编码

quote 会对参数进行 unicode 编码,但是得一个一个参数的进行转换,在进行拼接,在多个参数时使用起来比较麻烦。

# 使用 urllib
import urllib.request

# 定义 header
headers = {
  # UA 最基本的防爬识别
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
}

# 1、定义一个 https 的 url

# 这种中文写法会报错,因为 ascii 检索不到
# url = 'https://www.baidu.com/s?wd=卡尔特斯CSDN'

# 也就是需要 `卡尔特斯CSDN` 变成 unicode 编码格式,例如这样:
# url = 'https://www.baidu.com/s?wd=%E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN'

# 准备基础地址(不能整个链接去进行 quote 转换)(GET)
url = 'https://www.baidu.com/s?wd='

# 通过 urllib.parse.quote() 进行转换
wd = urllib.parse.quote('卡尔特斯CSDN')
# print(wd) # %E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN

# 拼接起来
url = url + wd

# 2、定义一个 Request 对象,urlopen 方法并不能直接带 header。
# 细节:为什么这里需要写 url=url 而有的地方不需要?因为 Request 构造方法传参顺序问题 Request(url, data=None, headers={} ...)
request = urllib.request.Request(url=url, headers=headers)

# 3、模拟浏览器向服务器发送请求
response = urllib.request.urlopen(request)

# 3、获取内容字符串
content = response.read().decode('utf-8')

# 4 输出
print(content)

2、urlencode:(GET)参数进行 unicode 编码

urlencode 会对多个参数进行 unicode 编码。

# 使用 urllib
import urllib.request

# 定义 header
headers = {
  # UA 最基本的防爬识别
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
}

# 1、定义一个 https 的 url

# 这种中文写法会报错,因为 ascii 检索不到
# url = 'https://www.baidu.com/s?wd=卡尔特斯CSDN&sex=男'

# 也就是需要 `卡尔特斯CSDN` 与 `男` 变成 unicode 编码格式,例如这样:
# url = 'https://www.baidu.com/s?wd=%E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN&sex=%E7%94%B7'

# 准备基础地址(不能整个链接去进行 quote 转换)(GET)
url = 'https://www.baidu.com/s?'

# 参数
params = {
  'wd': '卡尔特斯CSDN',
  'sex': '男'
}

# 通过 urllib.parse.urlencode() 进行转换(多个参数)
str = urllib.parse.urlencode(params)
# print(str) # wd=%E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN&sex=%E7%94%B7

# 通过 urllib.parse.quote() 进行转换(单个参数)
# wd = urllib.parse.urlencode('卡尔特斯CSDN')
# print(wd) # %E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN

# 拼接起来
url = url + str

# 2、定义一个 Request 对象,urlopen 方法并不能直接带 header。
# 细节:为什么这里需要写 url=url 而有的地方不需要?因为 Request 构造方法传参顺序问题 Request(url, data=None, headers={} ...)
request = urllib.request.Request(url=url, headers=headers)

# 3、模拟浏览器向服务器发送请求
response = urllib.request.urlopen(request)

# 3、获取内容字符串
content = response.read().decode('utf-8')

# 4 输出
print(content)

2、urlencode:(POST)参数进行 unicode 编码,附:Python爬虫Xpath定位数据的两种方法

# 使用 urllib
import urllib.request
# 使用 json
import json

# 定义 header
headers = {
  # UA 最基本的防爬识别
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
}

# 请求地址(POST)
url = 'https://fanyi.baidu.com/sug'

# 参数
params = {
  'kw': '名称'
}

# post 请求,参数不能进行拼接,需放到请求对象指定的参数对象中

# 通过 urllib.parse.urlencode() 进行转换(多个参数)
# str = urllib.parse.urlencode(params)
# 直接使用转换的参数字符串会报错:POST data should be bytes, an iterable of bytes, or a file object. It cannot be of type str.
# request = urllib.request.Request(url=url, data=str, headers=headers)

# 上面直接使用参数字符串会报错,是因为 post 请求参数必须要要进行编码,指定编码格式
data = urllib.parse.urlencode(params).encode('utf-8')
# 模拟浏览器向服务器发送请求
request = urllib.request.Request(url=url, data=data, headers=headers)

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(request)

# 获取内容字符串
content = response.read().decode('utf-8')

# 将字符串转成 json
obj = json.loads(content)

# 输出 json
print(obj)

三、 error 模块(URLError 与 HTTPError)

1、HTTPError 类是 URLError 类的子类。

2、导入包分别是:urllib.error.URLErrorurllib.error.HTTPError

3、通过 urllib 发送请求的时候,有可能发送失败,可以通过 try-except 进行异常捕获,异常有两类:URLErrorHTTPError 类。

# 使用 urllib
import urllib.request
# 使用 json
import json

# 定义 header
headers = {
  # UA 最基本的防爬识别
  'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36'
}

# 请求地址(POST)
url = 'https://fanyi.baidu.com/sug'

# 参数
params = {
  'kw': '名称'
}

# post 请求,参数不能进行拼接,需放到请求对象指定的参数对象中

# 通过 urllib.parse.urlencode() 进行转换(多个参数)
# str = urllib.parse.urlencode(params)
# 直接使用转换的参数字符串会报错:POST data should be bytes, an iterable of bytes, or a file object. It cannot be of type str.
# request = urllib.request.Request(url=url, data=str, headers=headers)

# 上面直接使用参数字符串会报错,是因为 post 请求参数必须要要进行编码,指定编码格式
data = urllib.parse.urlencode(params).encode('utf-8')
# 模拟浏览器向服务器发送请求
request = urllib.request.Request(url=url, data=data, headers=headers)

# 模拟浏览器向服务器发送请求
response = urllib.request.urlopen(request)

# 获取内容字符串
content = response.read().decode('utf-8')

# 将字符串转成 json
obj = json.loads(content)

# 输出 json
print(obj)

四、Handler 处理器(IP 代理)

五、xppath 使用

到此这篇关于Python urllib 入门使用详细教程的文章就介绍到这了,更多相关Python urllib使用内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • kali中python版本的切换方法

    kali中python版本的切换方法

    今天小编就为大家分享一篇kali中python版本的切换方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2019-07-07
  • 利用Python操作消息队列RabbitMQ的方法教程

    利用Python操作消息队列RabbitMQ的方法教程

    RabbitMQ是一个在AMQP基础上完整的,可复用的企业消息系统。他遵循Mozilla Public License开源协议。下面这篇文章主要给大家介绍了关于利用Python操作消息队列RabbitMQ的方法教程,需要的朋友可以参考下。
    2017-07-07
  • Python之str操作方法(详解)

    Python之str操作方法(详解)

    下面小编就为大家带来一篇Python之str操作方法(详解)。小编觉得挺不错的,现在就分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2017-06-06
  • Python爬虫爬取全球疫情数据并存储到mysql数据库的步骤

    Python爬虫爬取全球疫情数据并存储到mysql数据库的步骤

    这篇文章主要介绍了Python爬虫爬取全球疫情数据并存储到mysql数据库的步骤,帮助大家更好的理解和学习使用python,感兴趣的朋友可以了解下
    2021-03-03
  • python基于三阶贝塞尔曲线的数据平滑算法

    python基于三阶贝塞尔曲线的数据平滑算法

    这篇文章主要介绍了python基于三阶贝塞尔曲线的数据平滑算法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2019-12-12
  • numpy中nan_to_num的具体使用

    numpy中nan_to_num的具体使用

    在Numpy中NaN值一般出现在数据清洗前,出现这个值说明这个数据是缺失的,本文主要介绍了numpy中nan_to_num的具体使用,感兴趣的可以了解一下
    2022-08-08
  • python 实现插入排序算法

    python 实现插入排序算法

    python 插入排序算法,需要的朋友可以参考下
    2012-06-06
  • python Airtest自动化测试工具的的使用

    python Airtest自动化测试工具的的使用

    本文主要介绍了python Airtest自动化测试工具的的使用,文中通过示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2022-02-02
  • Python中使用dwebsocket实现后端数据实时刷新

    Python中使用dwebsocket实现后端数据实时刷新

    dwebsocket是Python中一款用于实现WebSocket协议的库,可用于后端数据实时刷新。在Django中结合使用dwebsocket和Channels,可以实现前后端的实时通信,支持双向数据传输和消息推送,适用于实时聊天、数据监控、在线游戏等场景
    2023-04-04
  • 利用python将图片转换成excel文档格式

    利用python将图片转换成excel文档格式

    编写了一小段Python代码,将图片转为了Excel,纯属娱乐,下面这篇文章主要给大家介绍了关于利用python将图片转换成excel文档格式的相关资料,需要的朋友可以参考借鉴,下面来一起看看吧。
    2017-12-12

最新评论