[Python]网络爬虫（二）：利用urllib通过指定的URL抓取网页内容

矫情吗；* 2022-06-06 00:06 228阅读 0赞

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。

1 from urllib import request
    2 response = request.urlopen(r'http://python.org/') # <http.client.HTTPResponse object at 0x00000000048BC908> HTTPResponse类型
    3 page = response.read()
    4 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。

![复制代码][copycode.gif]

1 url = r'http://www.lagou.com/zhaopin/Python/?labelWords=label'
     2 headers = {
     3     'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
     4                   r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
     5     'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',
     6     'Connection': 'keep-alive'
     7 }
     8 req = request.Request(url, headers=headers)
     9 page = request.urlopen(req).read()
    10 page = page.decode('utf-8')

![复制代码][copycode.gif]

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。

![复制代码][copycode.gif]

1 from urllib import request, parse
     2 url = r'http://www.lagou.com/jobs/positionAjax.json?'
     3 headers = {
     4     'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
     5                   r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
     6     'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',
     7     'Connection': 'keep-alive'
     8 }
     9 data = {
    10     'first': 'true',
    11     'pn': 1,
    12     'kd': 'Python'
    13 }
    14 data = parse.urlencode(data).encode('utf-8')
    15 req = request.Request(url, headers=headers, data=data)
    16 page = request.urlopen(req).read()
    17 page = page.decode('utf-8')

![复制代码][copycode.gif]

### `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。

![复制代码][copycode.gif]

1 data = {
    2     'first': 'true',
    3     'pn': 1,
    4     'kd': 'Python'
    5 }
    6 data = parse.urlencode(data).encode('utf-8')

![复制代码][copycode.gif]

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

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

当然，也可以把data的数据封装在urlopen（）参数中

## 4.异常处理 ##

![复制代码][copycode.gif]

1 def get_page(url):
     2     headers = {
     3         'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
     4                     r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
     5         'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label',
     6         'Connection': 'keep-alive'
     7     }
     8     data = {
     9         'first': 'true',
    10         'pn': 1,
    11         'kd': 'Python'
    12     }
    13     data = parse.urlencode(data).encode('utf-8')
    14     req = request.Request(url, headers=headers)
    15     try:
    16         page = request.urlopen(req, data=data).read()
    17         page = page.decode('utf-8')
    18     except error.HTTPError as e:
    19         print(e.code())
    20         print(e.read().decode('utf-8'))
    21     return page

![复制代码][copycode.gif]

## 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。

![复制代码][copycode.gif]

1 data = {
     2         'first': 'true',
     3         'pn': 1,
     4         'kd': 'Python'
     5     }
     6 proxy = request.ProxyHandler({
       'http': '5.22.195.215:80'})  # 设置proxy
     7 opener = request.build_opener(proxy)  # 挂载opener
     8 request.install_opener(opener)  # 安装opener
     9 data = parse.urlencode(data).encode('utf-8')
    10 page = opener.open(url, data).read()
    11 page = page.decode('utf-8')
    12 return page

![复制代码][copycode.gif]

[copycode.gif]: /images/20220606/9be0c6dc821747fc80f3d46ba72512bf.png