Python urllib
Python urllib 库用于操作网页 URL，并对网页的内容进行抓取处理。
本文主要介绍 Python3 的 urllib。
urllib 包 包含以下几个模块：
- urllib.request - 打开和读取 URL。
- urllib.error - 包含 urllib.request 抛出的异常。
- urllib.parse - 解析 URL。
- urllib.robotparser - 解析 robots.txt 文件。
urllib.request
urllib.request 定义了一些打开 URL 的函数和类，包含授权验证、重定向、浏览器 cookies等。
urllib.request 可以模拟浏览器的一个请求发起过程。
我们可以使用 urllib.request 的 urlopen 方法来打开一个 URL，语法格式如下：
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
- url：url 地址。
- data：发送到服务器的其他数据对象，默认为 None。
- timeout：设置访问超时时间。
- cafile 和 capath：cafile 为 CA 证书， capath 为 CA 证书的路径，使用 HTTPS 需要用到。
- cadefault：已经被弃用。
- context：ssl.SSLContext类型，用来指定 SSL 设置。
实例如下：
实例
from urllib.request import urlopen myURL = urlopen("https://www.kxdang.com/topic//") print(myURL.read())
以上代码使用 urlopen 打开一个 URL，然后使用 read() 函数获取网页的 HTML 实体代码。
read() 是读取整个网页内容，我们可以指定读取的长度：
实例
from urllib.request import urlopen
myURL = urlopen("https://www.kxdang.com/topic//")
print(myURL.read(300))
除了 read() 函数外，还包含以下两个读取网页内容的函数：
- readline() - 读取文件的一行内容
from urllib.request import urlopen myURL = urlopen("https://www.kxdang.com/topic//") print(myURL.readline()) #读取一行内容
readlines() - 读取文件的全部内容，它会把读取的内容赋值给一个列表变量。
from urllib.request import urlopen myURL = urlopen("https://www.kxdang.com/topic//") lines = myURL.readlines() for line in lines: print(line)
我们在对网页进行抓取时，经常需要判断网页是否可以正常访问，这里我们就可以使用 getcode() 函数获取网页状态码，返回 200 说明网页正常，返回 404 说明网页不存在:
实例
from urllib.request import urlopen myURL = urlopen("https://www.kxdang.com/topic//") f = open("kxdang_urllib_test.html", "wb") content = myURL.read() # 读取网页内容 f.write(content) f.close()
更多网页状态码可以查阅：https://www.kxdang.com/topic//http/http-status-codes.html。
如果要将抓取的网页保存到本地，可以使用 Python3 File write() 方法 函数：
实例
from urllib.request import urlopen myURL = urlopen("https://www.kxdang.com/topic//") f = open("kxdang_urllib_test.html", "wb") content = myURL.read() # 读取网页内容 f.write(content) f.close()
执行以上代码，在本地就会生成一个 kxdang_urllib_test.html 文件，里面包含了 https://www.kxdang.com/topic// 网页的内容。
更多Python File 处理，可以参阅：https://www.kxdang.com/topic//python3/python3-file-methods.html 。
URL 的编码与解码可以使用 urllib.request.quote() 与 urllib.request.unquote() 方法：
实例
import urllib.request encode_url = urllib.request.quote("https://www.kxdang.com/topic//") # 编码 print(encode_url) unencode_url = urllib.request.unquote(encode_url) # 解码 print(unencode_url)
输出结果为：
https%3A//www.kxdang.com/topic// https://www.kxdang.com/topic//
模拟头部信息
我们抓取网页一般需要对 headers（网页头信息）进行模拟，这时候需要使用到 urllib.request.Request 类：
class urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
- url：url 地址。
- data：发送到服务器的其他数据对象，默认为 None。
- headers：HTTP 请求的头部信息，字典格式。
- origin_req_host：请求的主机地址，IP 或域名。
- unverifiable：很少用整个参数，用于设置网页是否需要验证，默认是False。。
- method：请求方法， 如 GET、POST、DELETE、PUT等。
实例 - py3_urllib_test.php 文件代码
import urllib.request import urllib.parse url = 'https://www.kxdang.com/topic//?s=' # 菜鸟教程搜索页面 keyword = 'Python 教程' key_code = urllib.request.quote(keyword) # 对请求进行编码 url_all = url+key_code header = { 'User-Agent':'Mozilla/5.0 (X11; Fedora; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36' } #头部信息 request = urllib.request.Request(url_all,headers=header) reponse = urllib.request.urlopen(request).read() fh = open("./urllib_test_kxdang_search.html","wb") # 将文件写入到当前目录中 fh.write(reponse) fh.close()
打开 urllib_test_kxdang_search.html 文件（可以使用浏览器打开），内容如下：
表单 POST 传递数据，我们先创建一个表单，代码如下，我这里使用了 PHP 代码来获取表单的数据：
实例
<!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title>菜鸟教程(kxdang.com) urllib POST 测试</title> </head> <body> <form action="" method="post" name="myForm"> Name: <input type="text" name="name"><br> Tag: <input type="text" name="tag"><br> <input type="submit" value="提交"> </form> <hr> <?php // 使用 PHP 来获取表单提交的数据，你可以换成其他的 if(isset($_POST['name']) && $_POST['tag'] ) { echo $_POST["name"] . ', ' . $_POST['tag']; } ?> </body> </html>
实例
import urllib.request import urllib.parse url = 'https://www.kxdang.com/topic//try/py3/py3_urllib_test.php' # 提交到表单页面 data = {'name':'RUNOOB', 'tag' : '菜鸟教程'} # 提交数据 header = { 'User-Agent':'Mozilla/5.0 (X11; Fedora; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36' } #头部信息 data = urllib.parse.urlencode(data).encode('utf8') # 对参数进行编码，解码使用 urllib.parse.urldecode request=urllib.request.Request(url, data, header) # 请求处理 reponse=urllib.request.urlopen(request).read() # 读取结果 fh = open("./urllib_test_post_kxdang.html","wb") # 将文件写入到当前目录中 fh.write(reponse) fh.close()
打开 urllib_test_post_kxdang.html 文件（可以使用浏览器打开），显示结果如下：
urllib.error
urllib.error 模块为 urllib.request 所引发的异常定义了异常类，基础异常类是 URLError。
urllib.error 包含了两个方法，URLError 和 HTTPError。
URLError 是 OSError 的一个子类，用于处理程序在遇到问题时会引发此异常（或其派生的异常），包含的属性 reason 为引发异常的原因。
HTTPError 是 URLError 的一个子类，用于处理特殊 HTTP 错误例如作为认证请求的时候，包含的属性 code 为 HTTP 的状态码， reason 为引发异常的原因，headers 为导致 HTTPError 的特定 HTTP 请求的 HTTP 响应头。
对不存在的网页抓取并处理异常:
实例
import urllib.request import urllib.error myURL1 = urllib.request.urlopen("https://www.kxdang.com/topic//") print(myURL1.getcode()) # 200 try: myURL2 = urllib.request.urlopen("https://www.kxdang.com/topic//no.html") except urllib.error.HTTPError as e: if e.code == 404: print(404) # 404
urllib.parse
urllib.parse 用于解析 URL，格式如下：
urllib.parse.urlparse(urlstring, scheme='', allow_fragments=True)
urlstring 为 字符串的 url 地址，scheme 为协议类型，
allow_fragments 参数为 false，则无法识别片段标识符。相反，它们被解析为路径，参数或查询组件的一部分，并 fragment 在返回值中设置为空字符串。
实例
from urllib.parse import urlparse o = urlparse("https://www.kxdang.com/topic//?s=python+%E6%95%99%E7%A8%8B") print(o)
以上实例输出结果为：
ParseResult(scheme='https', netloc='www.kxdang.com/topic/', path='/', params='', query='s=python+%E6%95%99%E7%A8%8B', fragment='')
从结果可以看出，内容是一个元组，包含 6 个字符串：协议，位置，路径，参数，查询，判断。
我们可以直接读取协议内容：
实例
from urllib.parse import urlparse o = urlparse("https://www.kxdang.com/topic//?s=python+%E6%95%99%E7%A8%8B") print(o.scheme)
以上实例输出结果为：
https
完整内容如下：
| 属性 | 索引 | 值 | 值（如果不存在） |
| scheme | 0 | URL协议 | scheme 参数 |
| netloc | 1 | 网络位置部分 | 空字符串 |
| path | 2 | 分层路径 | 空字符串 |
| params | 3 | 最后路径元素的参数 | 空字符串 |
| query | 4 | 查询组件 | 空字符串 |
| fragment | 5 | 片段识别 | 空字符串 |
| username | 用户名 | None | |
| password | 密码 | None | |
| hostname | 主机名（小写） | None | |
| port | 端口号为整数（如果存在） | None |
urllib.robotparser
urllib.robotparser 用于解析 robots.txt 文件。
robots.txt（统一小写）是一种存放于网站根目录下的 robots 协议，它通常用于告诉搜索引擎对网站的抓取规则。
urllib.robotparser 提供了 RobotFileParser 类，语法如下：
class urllib.robotparser.RobotFileParser(url='')
这个类提供了一些可以读取、解析 robots.txt 文件的方法：
- set_url(url) - 设置 robots.txt 文件的 URL。
- read() - 读取 robots.txt URL 并将其输入解析器。
- parse(lines) - 解析行参数。
can_fetch(useragent, url) - 如果允许 useragent 按照被解析 robots.txt 文件中的规则来获取 url 则返回 True。
mtime() -返回最近一次获取 robots.txt 文件的时间。 这适用于需要定期检查 robots.txt 文件更新情况的长时间运行的网页爬虫。
modified() - 将最近一次获取 robots.txt 文件的时间设置为当前时间。
crawl_delay(useragent) -为指定的 useragent 从 robots.txt 返回 Crawl-delay 形参。 如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误，则返回 None。
request_rate(useragent) -以 named tuple RequestRate(requests, seconds) 的形式从 robots.txt 返回 Request-rate 形参的内容。 如果此形参不存在或不适用于指定的 useragent 或者此形参的 robots.txt 条目存在语法错误，则返回 None。
site_maps() - 以 list() 的形式从 robots.txt 返回 Sitemap 形参的内容。 如果此形参不存在或者此形参的 robots.txt 条目存在语法错误，则返回 None。
实例
>>> import urllib.robotparser >>> rp = urllib.robotparser.RobotFileParser() >>> rp.set_url("http://www.musi-cal.com/robots.txt") >>> rp.read() >>> rrate = rp.request_rate("*") >>> rrate.requests 3 >>> rrate.seconds 20 >>> rp.crawl_delay("*") 6 >>> rp.can_fetch("*", "http://www.musi-cal.com/cgi-bin/search?city=San+Francisco") False >>> rp.can_fetch("*", "http://www.musi-cal.com/") True
