Python3：urllib模块的使用

Python3：urllib模块的使用
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。

from urllib import request

response = request.urlopen(r'http://python.org/')

page = response.read()

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。

url = r'http://www.lagou.com/zhaopin/Python/?labelWords=label'

headers = {

     'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '

                   r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',

     'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',

     'Connection': 'keep-alive'

}

req = request.Request(url, headers=headers)

page = request.urlopen(req).read()

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。

from urllib import request, parse

url = r'http://www.lagou.com/jobs/positionAjax.json?'

headers = {

     'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '

                   r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',

     'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',

     'Connection': 'keep-alive'

}

data = {

     'first': 'true',

     'pn': 1,

     'kd': 'Python'

}

data = parse.urlencode(data).encode('utf-8')

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

page = request.urlopen(req).read()

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。

data = {

     'first': 'true',

     'pn': 1,

     'kd': 'Python'

}

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

当然，也可以把data的数据封装在urlopen（）参数中:

page = request.urlopen(req, data=data).read()

在这里就要说点实际应用的事儿了：

从json中取出的数据类型和数据如下：

<class 'dict'> {'install': {'install_date': '2018/09/26', 'install_result': 'success'}}

经过转码：company_data = parse.urlencode(data).encode('utf-8')

变成这样：b'install=%7B%27install_date%27%3A+%272018%2F09%2F26%27%2C+%27install_result%27%3A+%27success%27%7D'

服务器端接收数据：

data = request.POST.get("company_data")

数据类型、数据分别如下：

<class 'str'> {"install": {"install_result": "success", "install_date": "2018/09/26"}}

我想要的字典变成了字符串，这就得找解决办法(用json去解决问题)：

客户端：

import json

with open('1.json', 'r') as f:

    data = json.load(f)

data = {"company_data": json.dumps(data)}

# 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

from urllib import request, parse

url = r'http://192.168.165.4:8000/show/report/'

company_data = parse.urlencode(data).encode('utf-8')

req = request.Request(url, data=company_data)

print(company_data)

page = request.urlopen(req).read()

page = page.decode('utf-8')

服务器端：

@csrf_exempt

def receive_data(request):

    data = request.POST.get("company_data")

    if data:

        try:

            data = json.loads(data)

            print("企业数据", type(data), data)

            return HttpResponse(data)

        except ValueError as e:

            print(str(e))

    else:

        return HttpResponse("no data")

4.处理异常

 from urllib import request, parse

 def get_page(url):

     headers = {

           'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ''

                         r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',

         'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',

         'Connection': 'keep-alive'

         }

     data = {

          'first': 'true',

          'pn': ,

          'kd': 'Python'

      }

     data = parse.urlencode(data).encode('utf-8')

     req = request.Request(url, headers=headers)

     try:

         page = request.urlopen(req, data=data).read()

         page = page.decode('utf-8')

     except request.HTTPError as e:

         print(e.code())

         print(e.read().decode('utf-8'))

     return page

get_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。

data = {

     'first': 'true',

     'pn': 1,

     'kd': 'Python'

}

proxy = request.ProxyHandler({'http': '5.22.195.215:80'})  # 设置proxy

opener = request.build_opener(proxy)  # 挂载opener

request.install_opener(opener)  # 安装opener

data = parse.urlencode(data).encode('utf-8')

page = opener.open(url, data).read()

page = page.decode('utf-8')

python3-urllib参考:https://www.cnblogs.com/Lands-ljk/p/5447127.html

巴特西

Python3：urllib模块的使用

最新文章

热门文章