python的rllib库你了解吗
目录
- urllib库作用
- Urllib 库下的几种模块的基本使用
- 一、urllib.request模块
- 1.功能
- 2.常用方法
- 参数说明:
- 总结
urllib库作用
urllib 库 是Python内置的 HTTP 请求库。urllib 模块提供的上层接口,使访问 www 和 ftp 上的数据就像访问本地文件一样。我们爬取网页的时候,经常需要用到这个库。
Urllib 库下的几种模块的基本使用
一、urllib.request模块
1.功能
urllib.request 模块提供了最基本的构造 HTTP (或其他协议如 FTP)请求的方法,利用它可以模拟浏览器的一个请求发起过程。利用不同的协议去获取 URL 信息。它的某些接口能够处理基础认证 ( Basic Authenticaton) 、redirections (HTTP 重定向)、 Cookies (浏览器 Cookies)等情况。而这些接口是由 handlers 和 openers 对象提供的。
2.常用方法
2.1 urlopen()方法
语法格式:
urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)
参数说明:url:需要打开的网址; data: Post 提交的数据, 默认为 None ,当 data 不为 None 时, urlopen() 提交方式为 Post; timeout:设置网站访问超时时间
用例:
import urllib.request# 等价于from urllib import request response = urllib.request.urlopen('https://www.baidu.com') print("查看 response 响应信息类型: ",type(response)) page = response.read() print(page.decode('utf-8'))
说明: 直接使用 urllib.request 模块中的 urlopen方法获取页面,其中 page 数据类型为 bytes 类型,经过 decode 解码 转换成 string 类型。通过输出结果可以 urlopen 返回对象是HTTPResposne 类型对象。
urlopen 返回一个类文件对象,并提供了如下方法:
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;可以通过Quick Reference to Http Headers查看 Http Header 列表。
getcode():返回Http状态码。如果是http请求,200表示请求成功完成;404表示网址未找到;
geturl():返回获取页面的真实 URL。在 urlopen(或 opener 对象)可能带一个重定向时,此方法很有帮助。获取的页面 URL 不一定跟真实请求的 URL 相同。
示例:
import urllib.request response = urllib.request.urlopen('https://python.org/') print("查看 response 的返回类型:",type(response)) print("查看反应地址信息: ",response) print("查看头部信息1(http header):\n",response.info()) print("查看头部信息2(http header):\n",response.getheaders()) print("输出头部属性信息:",response.getheader("Server")) print("查看响应状态信息1(http status):\n",response.status) print("查看响应状态信息2(http status):\n",response.getcode()) print("查看响应 url 地址:\n",response.geturl()) page = response.read() print("输出网页源码:",page.decode('utf-8'))
2.2 Request()方法
使用request()来包装请求,再通过urlopen()获取页面。
语法格式:
urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
示例:
import urllib.request url = "https://www.lagou.com/zhaopin/Python/?labelWords=label" headers = { 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36', 'Referer': 'https://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') print(page)
参数说明:
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。这个数据可以从 网页开发工具上的请求反应信息中获取(浏览器上一般按 F12 打开开发工具)。作用是用于伪装浏览器。
Referer
:可以用来防止盗链,有一些网站图片显示来源 https://***.com ,就是检查 Referer 来鉴定的。
Connection
:表示连接状态,记录 Session 的状态。
origin_req_host
:请求方的 host 名称或者 IP 地址。
unverifiable
:指请求无法验证,默认为 False。用户并没有足够的权限来选择接收这个请求结果,例如请求一个 HTML 文档中的图片,但没有自动抓取图像的权限,这时 unverifiable 为 True。
method
:指定请求使用的方法,例如 GET、POST、PUT 等。
参考:https://www.jb51.net/articl美国服务器http://www.558idc.com/mg.htmle/209542.htm
总结
本篇文章就到这里了,希望能够给你带来帮助,也希望您能够多多关注hwidc的更多内容!