這篇文章主要來講解下Python/ target=_blank class=infotextkey>Python自帶的爬蟲庫urllib常見用法，主要圍繞urllib定義、urllib的常用模塊和urllib+lxml爬蟲案例三個部分進行展開。
一、什么是urllib
它是一個http請求的Python自帶的標準庫，無需安裝，直接可以用。并且提供了如下功能：網頁請求、響應獲取、代理和cookie設置、異常處理、URL解析，可以說是一個比較強大的模塊。
二、urllib模塊
可分為以下模塊：
urllib.request 請求模塊urllib.error 異常處理模塊urllib.parse 解析模塊urllib.robotparser 解析模塊
那么，我們先從第一個模塊開始說起吧，首先說一下它的大致用法：
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None) #里面有很多方法，類似與requests模塊中的renquest方法
request里包含了很多方法，如果我們要發送一個請求并讀取請求內容，最簡單的方法就是:
請求格式：
urllib.request.urlopen(url,data,timeout)
url :請求地址
data：請求數據
timeout：請求超時時間
這里采用的是get請求，如果想要進行post請求，只需給data方法傳參數即可，這里有個問題需要，因為傳遞參數必須是字節，所以得先編碼成bytes才能讀取。
也可以這樣寫：
通過解析模塊先將它解析為byte格式然后讀取，同樣行之有效，這樣就完成了一次post請求。
通過上面例子我們找到了request模塊的使用方法，我們使用response.read獲取的是響應體的內容，我們還可以通過response.status、response.getheaders.response.getheader("server")，獲取狀態碼以及頭部信息，如果我們要給請求的網址添加頭部信息的話了，就要使用urllib.request.Request方法了。
它的用法為：
urllib.request.Request(url,data,headers,timeout,method)
url:請求地址
data:請求數據
headers:請求頭
timeout:請求超時時間
method:請求方法，如get post
大致了解下我們可以先來訪問下起點網：
from urllib import request, parseurl = 'https://book.qidian.com/info/1014243481#Catalog'headers = {'User-Agent': 'Mozilla/5.0 (windows NT 6.1; WOW64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/78.0.3904.108 Safari/537.36','Host': 'book.qidian.com'}data = {'hw': 'hw'}data = bytes(parse.urlencode(data), encoding='utf8')req = request.Request(url=url, data=data,timeout=2,headers=headers, method='POST')response = request.urlopen(req)print(response.read.decode('utf-8'))
可以看出這是個post請求，因為method設置為post，data傳了參數。
這里補充說明下有個urlencode方法，它的作用是將字典轉換為url，例子如下:
from urllib.parse import urlencodedata = {"name":"hw","age":25,}url = "https://www.baidu.com?"page_url = url+urlencode(data)print(page_url)
添加請求頭其實還有一種方法，請看：
from urllib import request, parseurl = 'https://book.qidian.com/info/1014243481#Catalog'data = {'hw': 'hw'}data = bytes(parse.urlencode(data), encoding='utf8')req = request.Request(url=url, data=data,method='POST')req.add_header('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrom/78.0.3904.108 Safari/537.36') #添加請求頭response = request.urlopen(req)print(response.read.decode('utf-8'))
這種添加方式有個好處是自己可以定義一個請求頭字典，然后循環進行添加，偽造多個瀏覽器頭。
urllib.request 還可以設置代理，用法如下，
urllib.request.ProxyHandler({'http':'http://fsdfffs.com','https':'https://fsdfwe.com'})
這樣就可以避免同一個IP訪問網站多次被封的尷尬局面了。
import urllib.requestproxy_handler = urllib.request.ProxyHandler({'http': 'http://127.0.0.1:8000','https': 'https://127.0.0.1:8000'})opener = urllib.request.build_opener(proxy_handler) #構建代理池response = opener.open('https://book.qidian.com/info/1014243481#Catalog') #代理訪問網站print(response.read)
可以看出，由于本人使用無用的IP導致鏈接錯誤，所以此時應該處理異常。
換了種處理異常的方式，不過總的來說還是比較全面的。異常模塊中有兩個異常錯誤：
URLError，HTTPError，其中HTTPError是URLError的子類，URLError 里只有一個屬性：reason,即抓異常的時候只能打印錯誤信息，類似上面的例子。
HTTPError 里有三個屬性：code,reason,headers，即抓異常的時候可以獲得code，reson，headers三個信息，
import socketimport urllib.requestimport urllib.erroraa=''try:response = urllib.request.urlopen('https://book.qidian.com/info/1014243481#Catalog', timeout=0.1)aa=response.read.decode('utf8')except urllib.error.URLError as e:print(e.reason)if isinstance(e.reason,socket.timeout):print("time out")except urllib.error.HTTPError as e:print(e.reason,e.code)finally:print(aa)
除此之外，它還可以處理cookie數據，不過要借助另一個模塊 http。
import http.cookiejar, urllib.requestcookie = http.cookiejar.CookieJar #創建cookiejar對象handler = urllib.request.HTTPCookieProcessor(cookie) 建立cookie請求opener = urllib.request.build_opener(handler) #構建請求response = opener.open('https://www.baidu.com') #發送請求for item in cookie:print(item.name+"="+item.value) #打印cookie信息
同時cookie可以寫入到文件中保存，有兩種方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar，想用哪種自己決定。
http.cookiejar.MozillaCookieJar方式
import http.cookiejar, urllib.requestfilename = "cookie.txt"cookie = http.cookiejar.MozillaCookieJar(file_name)handler = urllib.request.HTTPCookieProcessor(cookie)opener = urllib.request.build_opener(handler)response = opener.open('https://www.baidu.com')cookie.save(ignore_discard=True, ignore_expires=True)#保存信息
http.cookiejar.LWPCookieJar方式
import http.cookiejar, urllib.requestfilename = 'cookie.txt'cookie = http.cookiejar.LWPCookieJar(file_name)handler = urllib.request.HTTPCookieProcessor(cookie)opener = urllib.request.build_opener(handler)response = opener.open('https://www.baidu.com')cookie.save(ignore_discard=True, ignore_expires=True)
如果想要通過獲取文件中的cookie獲取的話可以通過load方式，它也有兩種方式，http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar，想用哪種自己決定。
http.cookiejar.MozillaCookieJar方式
import http.cookiejar, urllib.requestcookie = http.cookiejar.MozillaCookieJarcookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)handler = urllib.request.HTTPCookieProcessor(cookie)opener = urllib.request.build_opener(handler)response = opener.open('https://www.baidu.com')print(response.read.decode('utf-8'))
http.cookiejar.LWPCookieJar方式
import http.cookiejar, urllib.requestcookie = http.cookiejar.LWPCookieJarcookie.load('cookie.txt', ignore_discard=True, ignore_expires=True)handler = urllib.request.HTTPCookieProcessor(cookie)opener = urllib.request.build_opener(handler)response = opener.open('https://www.baidu.com')print(response.read.decode('utf-8'))
urllib parse模塊
它是負責解析頁面內容，模塊下有一個urlparse方法用于拆分解析內容，具體用法如下：
urllib.parse.urlparse(url,scheme)
URL：頁面地址
scheme: 協議類型 ，比如 http https
有拆分當然也會有拼接，我們可以看到上面返回的有六個值，所以我們在做拼接時一定要填寫六個參數，否則它會報沒有足夠的值用來解包的錯誤。
urllib.parse.urlunpars(url,scheme)
類似的拼接方法其實還有，比如說urljoin,例子如下：
urllib.robotparser 它也是一個解析模塊，從它的字面意思看，應該是一個機器人解析模塊。
而且它還與機器人協議有關聯，它的存在就是為了解析每個網站中機器人協議，判斷這個網站是否可以抓取。
每個網站中都會有一個robots.txt文件，我們要做的就是先解析它，然后在對要下載的網頁數據進行判斷是否可以抓取。
可以通過直接輸入url的方式來判斷：
from urllib import robotparserrb = robotparser.RobotFileParser('https://www.baidu.com/robots.txt')print(rb.read)url = 'https://www.baidu.com'user_agent = 'BadCrawler'aa=rb.can_fetch(user_agent, url) #確定指定的用戶代理是否允許訪問網頁print(aa) #禁止使用的用戶代理 falseuser_agent = 'googlebot'bb=rb.can_fetch(user_agent, url)print(bb)#允許使用的用戶代理 true
也可以通過間接設置url的方式來判斷：
from urllib import robotparserrb = robotparser.RobotFileParserrb.set_url('https://www.baidu.com/robots.txt')rb.read #讀取url = 'https://www.baidu.com'user_agent = 'BadCrawler'aa=rb.can_fetch(user_agent, url) #確定指定的用戶代理是否允許訪問網頁print(aa) #禁止使用的用戶代理 falseuser_agent = 'Googlebot'bb=rb.can_fetch(user_agent, url)print(bb)#允許使用的用戶代理 trueprint(rb.mtime) #返回抓取分析robots協議的時間rb.modified #將當前時間設置為上次抓取和分析 robots.txt 的時間print(rb.mtime)# 返回 robots.txt 文件對請求速率限制的值print(rb.request_rate('Googlebot'))print(rb.request_rate('MSNBot'))# 返回 robotx.txt 文件對抓取延遲限制的值print(rb.crawl_delay('Googlebot'))print(rb.crawl_delay('MSNBot'))
三、應用案例：爬取起點小說名
老樣子，按下鍵盤快捷鍵F12，進行網頁分析，這次我們采用lxml，我們得知只需要將這個頁面中的某一個部分的數據變動一下就可以抓取到所有數據。如圖：
下次我們來講lxml和xpath語法，以便于大家更好的爬取數據，urllib內容就這么多，并不復雜，requests更為簡單易學。
