Python3:urllib模块的使用

2021-06-16 03:05

阅读:700

标签:dump   访问   ons   ref   htm   包装   取数据   color   超时   

Python3:urllib模块的使用
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/‘)
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
当然,也可以把data的数据封装在urlopen()参数中:
page = request.urlopen(req, data=data).read()

   在这里就要说点实际应用的事儿了:

从json中取出的数据类型和数据如下:
 {‘install‘: {‘install_date‘: ‘2018/09/26‘, ‘install_result‘: ‘success‘}}
经过转码:company_data = parse.urlencode(data).encode(‘utf-8‘)
变成这样:b‘install=%7B%27install_date%27%3A+%272018%2F09%2F26%27%2C+%27install_result%27%3A+%27success%27%7D‘
服务器端接收数据:
data = request.POST.get("company_data")
数据类型、数据分别如下:
 {"install": {"install_result": "success", "install_date": "2018/09/26"}}

 我想要的字典变成了字符串,这就得找解决办法(用json去解决问题):

客户端:
import json
with open(‘1.json‘, ‘r‘) as f:
    data = json.load(f)

data = {"company_data": json.dumps(data)}

# 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://192.168.165.4:8000/show/report/‘
company_data = parse.urlencode(data).encode(‘utf-8‘)
req = request.Request(url, data=company_data)
print(company_data)
page = request.urlopen(req).read()
page = page.decode(‘utf-8‘)
服务器端:
@csrf_exempt
def receive_data(request):
    data = request.POST.get("company_data")
    if data:
        try:
            data = json.loads(data)
            print("企业数据", type(data), data)
            return HttpResponse(data)
        except ValueError as e:
            print(str(e))
    else:
        return HttpResponse("no data")

 4.处理异常

技术分享图片技术分享图片
 1 from urllib import request, parse
 2 def get_page(url):
 3     headers = {
 4           User-Agent: rMozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ‘‘
 5                         rChrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3,
 6         Referer: rhttp://www.lagou.com/zhaopin/Python/?labelWords=label,
 7         Connection: keep-alive
 8         }
 9     data = {
10          first: true,
11          pn: 1,
12          kd: Python
13      }
14     data = parse.urlencode(data).encode(utf-8)
15     req = request.Request(url, headers=headers)
16     try:
17         page = request.urlopen(req, data=data).read()
18         page = page.decode(utf-8)
19     except request.HTTPError as e:
20         print(e.code())
21         print(e.read().decode(utf-8))
22     return page
get_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‘)

 

Python3:urllib模块的使用

标签:dump   访问   ons   ref   htm   包装   取数据   color   超时   

原文地址:https://www.cnblogs.com/fawaikuangtu123/p/9728612.html


评论


亲,登录后才可以留言!