Python爬虫——如何使用urllib的HTTP基本库

怎样通过 urllib库 发送 HTTP 请求？

urllib库主要由四个模块组成:

• urllib.request 打开和读取 URL
• urllib.error 包含 urllib.request 抛出的异常
• urllib.parse 用于解析 URL
• urllib.robotparser 用于解析 robots.txt 文件

1. 使用urllib.parse解析URL

• 使用urlparse()分段URL

• 在这里，我们用urlparse()函数构建了一个实例对象（ParseResult类型），并将其赋值给result，以便调用。

  事实上，ParseResult类型对象包含6个部分：

  • scheme,代表协议，通常在"://"前面，这里即http
  • netloc,代表域名，通常在第一个"/"前面，这里即docs.python.org:80
  • path,代表访问路径，通常在域名之后，这里即/3/library/urllib.parse.html
  • params,代表参数，通常在"?"之前，这里不存在
  • query,代表查询条件，通常在"?"之后，这里也不存在
  • fragment,代表瞄点，通常在"#"之后，用于直接定位页面内部的下拉位置，这里即url-parsing

• 使用urlunparse()构造URL

• 事实上，在urllib.parse中，解析URL的方法不仅有urlparse()函数，还有urlsplit()等；构造URL的方法不仅有urlunparse()函数，还有urlunsplit和urlencode()等。

2. 使用urllib.request打开 URL，模拟发送请求

• 使用urllib.request.urlopen函数发送HTTP请求，构造对象

• urllib.request.urlopen 函数构造一个接受请求的实例对象（HTTPResponse类型），并将其赋值给response变量,以便之后使用。

  read()方法可以得到返回的网页内容。事实上，HTTPResponse类型的对象，不仅可以调用read()和getheaders()等方法，还可以调用status和msg等属性来查看请求发送后返回的一系列信息。

• 通过Request类灵活配置参数，构建请求信息对象

• 这里我们依然使用urlopen()方法来发送HTTP请求，但是传递的不再是单纯的URL，而是一个Request类型的对象。通过集合各种参数，将其独立成一个对象，可以更加丰富和灵活地配置参数。

  这里的headers即为请求头，method即为请求方法

• 使用Handler处理器进行高级操作（以Cookies处理为例）

• HTTPCookieProcessor是urllib.request模块里用于处理Cookie的一个类。值得注意的是这里打开链接的不再是request.urlopen()函数，而是用Opener对象的open()方法来发出请求。

3. 使用urllib.error捕捉请求错误，进行异常处理

• 使用URLError类捕捉URL异常

  • 在这里如果发生网页不存在等请求异常，我们就可以通过URLError捕捉异常，从而避免程序的异常终止

  • 使用HTTPError类捕捉HTTP请求错误