Python urllib 入门使用详细教程

urllib 库，它是 Python 内置的 HTTP 请求库，不需要额外安装即可使用，这篇文章主要介绍了Python urllib 入门使用,需要的朋友可以参考下

一、简介

urllib 库，它是 Python 内置的 HTTP 请求库，不需要额外安装即可使用，它包含四个模块：

`request` 请求模块，提供最基本的 `HTTP` 请求处理。 `parse` 工具模块，提供处理 `url` 的很多方法：拆分、解析、合并等等。 `error` 异常处理模块，如果出现请求错误，可以捕获这些错误，保证程序不会意外终止。 `robotparser` 模块，主要用来识别网站的 `robots.txt` 文件，判断哪些网站可以爬取，用的比较少。

二、 request 模块

1、urlopen：打开一个指定 URL，然后使用 read() 获取网页的 HTML 实体代码。

# 使用 urllib import urllib.request # 1、定义一个 url url = 'http://www.baidu.com' # 2、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(url) # 3、获取响应数据中的页面源码（注意：read() 返回的是字节形式的二进制数据，返回数据会被 b'xxx' 进行包裹） content = response.read() # 4、输出二进制数据 content print(content) # 输出结果：b'\r\n\r\n\t\r\n\r\n\r\n\t\r\n\r\n' # 5、将二进制数据转成字符串，这里需要网页对应的编码格式（例如：），charset= 的就是编码格式 utf-8 content = content.decode('utf-8') # 6、输出字符串 content print(content)

2、response：响应的数据对象 HTTPResponse 类型

# 使用 urllib import urllib.request # 1、定义一个 url url = 'http://www.baidu.com' # 2、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(url) # response 是 http.client.HTTPResponse 类型 print(type(response)) # read 方法是按照一个字节一个字节的去读取内容 content = response.read() print(content) # read 方法可以指定读取多少个字节 content = response.read(50) print(content) # 读取一行 content = response.readline() print(content) # 读取所有行 content = response.readlines() print(content) # 获取状态码 print(response.getcode()) # 获取访问的链接地址 print(response.geturl()) # 获取 headers print(response.getheaders())

3、Request：自定义请求对象

# 使用 urllib import urllib.request # url 的组成 # https://www.baidu.com/s?wd=123 # 协议         主机               端口号    路径   参数   锚点 # http/https   www.baidu.com      80      s     wd     # # http                            80 # https                           443 # mysql                           3306 # oracle                          1521 # redis                           6379 # mongdb                          27017 # 1、定义一个 https 的 url url = 'https://www.baidu.com' # 2、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(url) # 3、获取内容字符串 content = response.read().decode('utf-8') # 4 会发现直接这么拿回来的数据不完整，这就是反扒的其中一种，代表给到服务器识别的信息不完整，比如 header 头里面的请求信息缺少。 print(content) # 解决方式： # 定义 header headers = { # UA 最基本的防爬识别 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36' } # 1、定义一个 https 的 url url = 'https://www.baidu.com' # 2、定义一个 Request 对象，urlopen 方法并不能直接带 header。 # 细节：为什么这里需要写 url=url 而有的地方不需要？因为 Request 构造方法传参顺序问题 Request(url, data=None, headers={} ...) request = urllib.request.Request(url=url, headers=headers) # 3、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(request) # 3、获取内容字符串 content = response.read().decode('utf-8') # 4 输出 print(content)

4、urlretrieve：下载（例如：图片、视频、网页源码…）

# 使用 urllib import urllib.request # 下载网页 url = 'http://www.baidu.com' # 参数1：页面地址，参数2：文件名称（或路径与名称，例如：./test/baidu.html、baidu.html，不指定路径默认当前） urllib.request.urlretrieve(url, 'baidu.html') # 下载图片 url = 'https://gimg2.baidu.com/image_search/src=http%3A%2F%2Fpic1.win4000.com%2Fwallpaper%2F8%2F55402f62682e3.jpg-600&refer=http%3A%2F%2Fpic1.win4000.com&app=2002&size=f9999,10000&q=a80&n=0&g=0n&fmt=auto?sec=1670904201&t=2dc001fbd959432efe8b8ee0792589ba' # 参数1：页面地址，参数2：文件名称（或路径与名称，例如：./test/baidu.html、baidu.html，不指定路径默认当前） urllib.request.urlretrieve(url, 'dzm.jpg-600')

二、 parse 模块

1、quote：（GET）参数进行 unicode 编码

quote 会对参数进行 unicode 编码，但是得一个一个参数的进行转换，在进行拼接，在多个参数时使用起来比较麻烦。

# 使用 urllib import urllib.request # 定义 header headers = { # UA 最基本的防爬识别 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36' } # 1、定义一个 https 的 url # 这种中文写法会报错，因为 ascii 检索不到 # url = 'https://www.baidu.com/s?wd=卡尔特斯CSDN' # 也就是需要 `卡尔特斯CSDN` 变成 unicode 编码格式，例如这样： # url = 'https://www.baidu.com/s?wd=%E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN' # 准备基础地址（不能整个链接去进行 quote 转换）(GET) url = 'https://www.baidu.com/s?wd=' # 通过 urllib.parse.quote() 进行转换 wd = urllib.parse.quote('卡尔特斯CSDN') # print(wd) # %E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN # 拼接起来 url = url + wd # 2、定义一个 Request 对象，urlopen 方法并不能直接带 header。 # 细节：为什么这里需要写 url=url 而有的地方不需要？因为 Request 构造方法传参顺序问题 Request(url, data=None, headers={} ...) request = urllib.request.Request(url=url, headers=headers) # 3、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(request) # 3、获取内容字符串 content = response.read().decode('utf-8') # 4 输出 print(content)

2、urlencode：（GET）参数进行 unicode 编码

urlencode 会对多个参数进行 unicode 编码。

# 使用 urllib import urllib.request # 定义 header headers = { # UA 最基本的防爬识别 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36' } # 1、定义一个 https 的 url # 这种中文写法会报错，因为 ascii 检索不到 # url = 'https://www.baidu.com/s?wd=卡尔特斯CSDN&sex=男' # 也就是需要 `卡尔特斯CSDN` 与 `男` 变成 unicode 编码格式，例如这样： # url = 'https://www.baidu.com/s?wd=%E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN&sex=%E7%94%B7' # 准备基础地址（不能整个链接去进行 quote 转换）(GET) url = 'https://www.baidu.com/s?' # 参数 params = { 'wd': '卡尔特斯CSDN', 'sex': '男' } # 通过 urllib.parse.urlencode() 进行转换（多个参数） str = urllib.parse.urlencode(params) # print(str) # wd=%E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN&sex=%E7%94%B7 # 通过 urllib.parse.quote() 进行转换（单个参数） # wd = urllib.parse.urlencode('卡尔特斯CSDN') # print(wd) # %E5%8D%A1%E5%B0%94%E7%89%B9%E6%96%AFCSDN # 拼接起来 url = url + str # 2、定义一个 Request 对象，urlopen 方法并不能直接带 header。 # 细节：为什么这里需要写 url=url 而有的地方不需要？因为 Request 构造方法传参顺序问题 Request(url, data=None, headers={} ...) request = urllib.request.Request(url=url, headers=headers) # 3、模拟浏览器向服务器发送请求 response = urllib.request.urlopen(request) # 3、获取内容字符串 content = response.read().decode('utf-8') # 4 输出 print(content)

2、urlencode：（POST）参数进行 unicode 编码，附：Python爬虫Xpath定位数据的两种方法

# 使用 urllib import urllib.request # 使用 json import json # 定义 header headers = { # UA 最基本的防爬识别 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36' } # 请求地址（POST） url = 'https://fanyi.baidu.com/sug' # 参数 params = { 'kw': '名称' } # post 请求，参数不能进行拼接，需放到请求对象指定的参数对象中 # 通过 urllib.parse.urlencode() 进行转换（多个参数） # str = urllib.parse.urlencode(params) # 直接使用转换的参数字符串会报错：POST data should be bytes, an iterable of bytes, or a file object. It cannot be of type str. # request = urllib.request.Request(url=url, data=str, headers=headers) # 上面直接使用参数字符串会报错，是因为 post 请求参数必须要要进行编码，指定编码格式 data = urllib.parse.urlencode(params).encode('utf-8') # 模拟浏览器向服务器发送请求 request = urllib.request.Request(url=url, data=data, headers=headers) # 模拟浏览器向服务器发送请求 response = urllib.request.urlopen(request) # 获取内容字符串 content = response.read().decode('utf-8') # 将字符串转成 json obj = json.loads(content) # 输出 json print(obj)

三、 error 模块（URLError 与 HTTPError）

1、HTTPError 类是 URLError 类的子类。

2、导入包分别是：urllib.error.URLError、urllib.error.HTTPError。

3、通过 urllib 发送请求的时候，有可能发送失败，可以通过 try-except 进行异常捕获，异常有两类：URLError 与 HTTPError 类。

# 使用 urllib import urllib.request # 使用 json import json # 定义 header headers = { # UA 最基本的防爬识别 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/107.0.0.0 Safari/537.36' } # 请求地址（POST） url = 'https://fanyi.baidu.com/sug' # 参数 params = { 'kw': '名称' } # post 请求，参数不能进行拼接，需放到请求对象指定的参数对象中 # 通过 urllib.parse.urlencode() 进行转换（多个参数） # str = urllib.parse.urlencode(params) # 直接使用转换的参数字符串会报错：POST data should be bytes, an iterable of bytes, or a file object. It cannot be of type str. # request = urllib.request.Request(url=url, data=str, headers=headers) # 上面直接使用参数字符串会报错，是因为 post 请求参数必须要要进行编码，指定编码格式 data = urllib.parse.urlencode(params).encode('utf-8') # 模拟浏览器向服务器发送请求 request = urllib.request.Request(url=url, data=data, headers=headers) # 模拟浏览器向服务器发送请求 response = urllib.request.urlopen(request) # 获取内容字符串 content = response.read().decode('utf-8') # 将字符串转成 json obj = json.loads(content) # 输出 json print(obj)