Python爬虫学习笔记-1.Urllib库

　　urllib 是python内置的基本库，提供了一系列用于操作URL的功能，我们可以通过它来做一个简单的爬虫。

0X01 基本使用

简单的爬取一个页面：

import urllib2

request = urllib2.Request("http://www.cnblogs.com")

response = urllib2.urlopen(request)

print response.read()

GET方式

import urllib

import urllib2

values ={"id":}

data=urllib.urlencode(values)

url="http://192.168.125.129/config/sql.php"

geturl=url+"?"+data

request =urllib2.Request(url)

response =urllib2.urlopen(request)

print response.read()

POST方式

import urllib

import urllib2

url="http://192.168.125.129/config/sql.php"

values ={"id":}

data=urllib.urlencode(values)

request = urllib2.Request(url,data)

response=urllib2.urlopen(request)

print response.read()

0X02 高级用法

1、设置Headers

　　部分网站做了反爬虫策略，通过上面的程序，可能会获取不到内容，这时候我们可以模拟浏览器的工作，设置一些Headers 的属性。

import urllib

import urllib2

url="http://192.168.125.129/config/sql.php"

values ={"id":}

data=urllib.urlencode(values)

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.90 Safari/537.36'}

request=urllib2.Request(url,data,headers)

response =urllib2.urlopen(request)

print response.read()

常见的headers属性

User-Agent : 浏览器类型，有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求
Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。
application/xml ：在 XML RPC，如 RESTful/SOAP 调用时使用
application/json ：在 JSON RPC 调用时使用
application/x-www-form-urlencoded ：浏览器提交 Web 表单时使用
在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务

另外，对付防盗链，可以在headers中加入referer。

2、设置Timeout

urllib2.urlopen方法，如果第二个参数data为空那么要特别指定是timeout是多少，写明形参，如果data已经传入，则不必声明。

import urllib

import urllib2

url="http://192.168.125.129/config/sql.php"

response = urllib2.urlopen(url, timeout=)

import urllib

import urllib2

url="http://192.168.125.129/config/sql.php"

values ={"id":}

data=urllib.urlencode(values)

response = urllib2.urlopen(url, data,)

3、异常处理

　　当程序异常时，需要用try-except语句来包围并捕获相应的异常，否则程序将终止。

import urllib

import urllib2

url="http://192.168.125.129/config/sql22.php"

values ={"id":}

data=urllib.urlencode(values)

try:

    request = urllib2.Request(url,data)

    response=urllib2.urlopen(request)

    print response.read()

except urllib2.HTTPError, e:

    print e.code

    print e.reason

except urllib2.URLError, e:

    print e.reason

else:

    print "ok"

这边使用URLError、HTTPError捕获异常，HTTPError是URLError的子类。

4、模拟登陆

　　利用cookie实现模拟登录，使用cookielib模块,代码示例：

import urllib

import urllib2

import cookielib

filename = 'cookie.txt'

#声明一个MozillaCookieJar对象实例来保存cookie，之后写入文件

cookie = cookielib.MozillaCookieJar(filename)

opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))

postdata = urllib.urlencode({

            'username':'admin',

            'password':'password'

        })

#登录的URL

loginUrl = 'http://site/login.php'

#模拟登录，并把cookie保存到变量

result = opener.open(loginUrl,postdata)

#保存cookie到cookie.txt中

cookie.save(ignore_discard=True, ignore_expires=True)

#利用cookie请求访问另一个网址，此网址是后台网址

comurl = 'http://site/index.php'

#请求访问后台网址

result = opener.open(comurl)

print result.read()

5、证书不匹配

证书不匹配问题 SSLError(CertificateError("hostname 'xxx.com' doesn't match 'test.xxx.org'"

对于python自带的 urllib库解决办法

import ssl

ssl.match_hostname = lambda cert, hostname: True

巴特西

Python爬虫学习笔记-1.Urllib库

最新文章

热门文章