urllib是python的一个获取url(Uniform Resource Locators,统一资源定址器)了，我们可以利用它来抓取远程的数据进行保存哦
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/‘) # <http.client.HTTPResponse object at 0x00000000048BC908> HTTPResponse类型 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
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
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‘: 1, ‘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 error.HTTPError as e: print(e.code()) print(e.read().decode(‘utf-8‘)) return 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‘) return page
5、实践
# -*- coding: utf-8 -*- import urllib.request import re import os targetDir = r"D:\python\test\spider\img\douban" #文件保存路径 def destFile(path): if not os.path.isdir(targetDir): os.mkdir(targetDir) pos = path.rindex(‘/‘) t = os.path.join(targetDir, path[pos+1:]) return t if __name__ == "__main__": #程序运行入口 weburl = "http://www.douban.com/" webheaders = { ‘Connection‘: ‘Keep-Alive‘, ‘Accept‘: ‘text/html, application/xhtml+xml, */*‘, ‘Accept-Language‘: ‘en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3‘, ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko‘, #‘Accept-Encoding‘: ‘gzip, deflate‘, ‘Host‘: ‘www.douban.com‘, ‘DNT‘: ‘1‘ } req = urllib.request.Request(url=weburl, headers=webheaders) #构造请求报头 webpage = urllib.request.urlopen(req) #发送请求报头 contentBytes = webpage.read() contentBytes = contentBytes.decode(‘UTF-8‘) for link, t in set(re.findall(r‘(https:[^\s]*?(jpg|png|gif))‘, str(contentBytes))): #正则表达式查找所有的图片 print(link) try: urllib.request.urlretrieve(link, destFile(link)) #下载图片 except: print(‘失败‘) #异常抛出
执行过程如下：
打开电脑上对应的文件夹，然后来看看图片，这里只是一部分哦！！。
