博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
Python网页抓取urllib,urllib2,httplib
阅读量:5840 次
发布时间:2019-06-18

本文共 5819 字,大约阅读时间需要 19 分钟。

  hot3.png

前阶段使用到ftp,写了个工具脚本

最近需要抓网页,看了下抓取方式

需求:抓取网页,解析获取内容

涉及库:【重点urllib2】

urllib   

urllib2  

httplib   

 

使用urllib:

1. 抓取网页信息

urllib.urlopen(url[, data[, proxies]]) :

url: 表示远程数据的路径

data: 以post方式提交到url的数据
proxies:用于设置代理
urlopen返回对象提供方法:
-         read() , readline() ,readlines() , fileno() , close() :这些方法的使用方式与文件对象完全一样
-         info():返回一个httplib.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

使用:

#!/usr/bin/python  # -*- coding:utf-8 -*-  # urllib_test.py  # author:wklken  # 2012-03-17  wklken#yeah.net     import os  import urllib  url = "http://www.siteurl.com"    def use_urllib():    import urllib, httplib    httplib.HTTPConnection.debuglevel = 1     page = urllib.urlopen(url)    print "status:", page.getcode() #200请求成功,404    print "url:", page.geturl()    print "head_info:\n",  page.info()    print "Content len:", len(page.read())

附带的其他方法:(主要是url编码解码)

-         urllib.quote(string[, safe]):对字符串进行编码。参数safe指定了不需要编码的字符

-         urllib.unquote(string) :对字符串进行解码
-         urllib.quote_plus(string [ , safe ] ) :与urllib.quote类似,但这个方法用'+'来替换' ',而quote用'%20'来代替' '
-         urllib.unquote_plus(string ) :对字符串进行解码
-         urllib.urlencode(query[, doseq]):将dict或者包含两个元素的元组列表转换成url参数。例如 字典{'name': 'wklken', 'pwd': '123'}将被转换为"name=wklken&pwd=123"
-         urllib.pathname2url(path):将本地路径转换成url路径
-         urllib.url2pathname(path):将url路径转换成本地路径

使用:

def urllib_other_functions():    astr = urllib.quote('this is "K"')    print astr    print urllib.unquote(astr)    bstr = urllib.quote_plus('this is "K"')    print bstr    print urllib.unquote(bstr)      params = {"a":"1", "b":"2"}    print urllib.urlencode(params)      l2u = urllib.pathname2url(r'd:\a\test.py')    print l2u     print urllib.url2pathname(l2u)

 

2.下载远程数据

urlretrieve方法直接将远程数据下载到本地

urllib.urlretrieve(url[, filename[, reporthook[, data]]]):

  • filename指定保存到本地的路径(若未指定该,urllib生成一个临时文件保存数据)
  • reporthook回调函数,当连接上服务器、以及相应的数据块传输完毕的时候会触发该回调
  • data指post到服务器的数据
  • 该方法返回一个包含两个元素的元组(filename, headers),filename表示保存到本地的路径,header表示服务器的响应头。
def  callback_f(downloaded_size, block_size, romote_total_size):  per = 100.0 * downloaded_size * block_size / romote_total_size  if per > 100:    per = 100   print "%.2f%%"% per def use_urllib_retrieve():  import urllib  local = os.path.join(os.path.abspath("./"), "a.html")  print local  urllib.urlretrieve(url,local,callback_f)

转载请注明出处:

 

3.Python urllib2 的更多使用细节

这里总结了一些 urllib2 的使用细节。

  • Proxy 的设置
  • Timeout 设置
  • 在 HTTP Request 中加入特定的 Header
  • Redirect
  • Cookie
  • 使用 HTTP 的 PUT 和 DELETE 方法
  • 得到 HTTP 的返回码
  • Debug Log

Proxy 的设置

urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。如果想在程序中明确控制 Proxy 而不受环境变量的影响,可以使用:

import urllib2enable_proxy = Trueproxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})null_proxy_handler = urllib2.ProxyHandler({})if enable_proxy:    opener = urllib2.build_opener(proxy_handler)else:    opener = urllib2.build_opener(null_proxy_handler)urllib2.install_opener(opener)

要加入 header,需要使用 Request 对象:这里要注意的一个细节,使用 urllib2.install_opener() 会设置 urllib2 的全局 opener 。这样后面的使用会很方便,但不能做更细粒度的控制,比如想在程序中使用两个不同的 Proxy 设置等。比较好的做法是不使用 install_opener 去更改全局的设置,而只是直接调用 opener 的 open 方法代替全局的 urlopen 方法。

Timeout 设置

老版 Python,urllib2 的 API 并没有暴露 Timeout 的设置,要设置 Timeout 值,只能更改 Socket 的全局 Timeout 值。

在 Python 2.6 以后,超时可以通过 urllib2.urlopen() 的 timeout 参数直接设置。

import urllib2import socketsocket.setdefaulttimeout(10) # 10 秒钟后超时urllib2.socket.setdefaulttimeout(10) # 另一种方式# ----------------import urllib2response = urllib2.urlopen('http://www.google.com', timeout=10)

在 HTTP Request 中加入特定的 Header

import urllib2request = urllib2.Request(uri)request.add_header('User-Agent', 'fake-client')response = urllib2.urlopen(request)

Redirect对有些 header 要特别留意,服务器会针对这些 header 做检查:

  • User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求。
  • Content-Type : 在使用 REST 接口时,服务器会检查该值,用来确定 HTTP Body 中的内容该怎样解析。常见的取值有:
    • application/xml : 在 XML RPC,如 RESTful/SOAP 调用时使用
    • application/json : 在 JSON RPC 调用时使用
    • application/x-www-form-urlencoded : 浏览器提交 Web 表单时使用

在使用服务器提供的 RESTful 或 SOAP 服务时, Content-Type 设置错误会导致服务器拒绝服务

urllib2 默认情况下会针对 HTTP 3XX 返回码自动进行 redirect 动作,无需人工配置。要检测是否发生了 redirect 动作,只要检查一下 Response 的 URL 和 Request 的 URL 是否一致就可以了。

import urllib2response = urllib2.urlopen('http://www.google.cn')redirected = response.geturl() == 'http://www.google.cn'

如果不想自动 redirect,除了使用更低层次的 httplib 库之外,还可以自定义 HTTPRedirectHandler 类。

import urllib2class RedirectHandler(urllib2.HTTPRedirectHandler):    def http_error_301(self, req, fp, code, msg, headers):        pass    def http_error_302(self, req, fp, code, msg, headers):        passopener = urllib2.build_opener(RedirectHandler)opener.open('http://www.google.cn')

Cookie

urllib2 对 Cookie 的处理也是自动的。如果需要得到某个  项的值,可以这么做:

import urllib2import cookielibcookie = cookielib.CookieJar()opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))response = opener.open('http://www.google.com')for item in cookie:    if item.name == 'some_cookie_item_name':        print item.value

使用 HTTP 的 PUT 和 DELETE 方法

urllib2 只支持 HTTP 的 GET 和 POST 方法,如果要使用 HTTP PUT 和 DELETE ,只能使用比较低层的 httplib 库。虽然如此,我们还是能通过下面的方式,使 urllib2 能够发出 PUT 或 DELETE 的请求:

import urllib2request = urllib2.Request(uri, data=data)request.get_method = lambda: 'PUT' # or 'DELETE'response = urllib2.urlopen(request)

这种做法虽然属于 Hack 的方式,但实际使用起来也没什么问题。

得到 HTTP 的返回码

对于 200 OK 来说,只要使用 urlopen 返回的 response 对象的 getcode() 方法就可以得到 HTTP 的返回码。但对其它返回码来说,urlopen 会抛出异常。这时候,就要检查异常对象的 code 属性了:

import urllib2try:    response = urllib2.urlopen('http://restrict.web.com')except urllib2.HTTPError, e:    print e.code

Debug Log

使用 urllib2 时,可以通过下面的方法把 debug Log 打开,这样收发包的内容就会在屏幕上打印出来,方便调试,有时可以省去抓包的工作。

import urllib2httpHandler = urllib2.HTTPHandler(debuglevel=1)httpsHandler = urllib2.HTTPSHandler(debuglevel=1)opener = urllib2.build_opener(httpHandler, httpsHandler)urllib2.install_opener(opener)response = urllib2.urlopen('http://www.google.com')

转载于:https://my.oschina.net/cqlcql/blog/680709

你可能感兴趣的文章
java多线程的练习------------。加深
查看>>
Linux 虚拟机忘记root密码
查看>>
Greatest Number 山东省第一届省赛
查看>>
输入挂(减少时间)
查看>>
基于贝叶斯模型的显著性检测
查看>>
简单的表单验证
查看>>
view视图 | 索引
查看>>
Android ---------- List 数组转成 json格式的字符串
查看>>
Poemscape|Beta阶段第三天
查看>>
【计算机视觉】OpenCV篇(9) - 轮廓(寻找/绘制轮廓)
查看>>
[转] JavaScript设计模式之发布-订阅模式(观察者模式)-Part1
查看>>
页面显示(pageshow)和页面隐藏(pagehide)事件
查看>>
Python 格式化输出练习
查看>>
### 继承 ###
查看>>
Scrapy运行时出错:ImportError: No module named win32api
查看>>
Kubernetes的本质
查看>>
PL/SQL developer 管理多套数据库
查看>>
黑马程序员-分类(category)
查看>>
新建PCH文件以及常用宏定义
查看>>
vue-cli多页面
查看>>