Urllib
1. Urllib.request.urlopen().read().decode()
返回一个二进制的对象，对这个对象进行read()操作，可以得到一个包含网页的二进制字符串，然后用decode()解码成html源码
2. urlretrieve()
将一个网页爬取到本地
3. urlclearup()
清除 urlretrieve()所产生的缓存
4. info()
返回一个httpMessage对象，表示远程服务器的头信息
5. getcode()
获取当前网页的状态码 200代表成功，404网页未找到
6. geturl()
获取当前爬取页面的网址
示例：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
from urllib import request# urlretrieve() -- 将一个网页爬取到本地request.urlretrieve("http://www.baidu.com",filename="demo.html")# urlclearup() -- 清除urlretrieve()所产生的缓存request.urlcleanup()# info() -- 返回一个httpMessage对象,表示远程服务器的头信息data = request.urlopen("http://www.taobao.com")print(data.info())# getcode() -- 获取当前网页的状态码data.geturl()print(data.getcode())# 获取当前爬取页面的网址print(data.geturl()) |
运行结果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
Server: TengineDate: Wed, 09 May 2018 09:55:16 GMTContent-Type: text/html; charset=utf-8Transfer-Encoding: chunkedConnection: closeVary: Accept-EncodingX-Snapshot-Age: 1Content-MD5: tkjcPUrHBAIt2N/YXcuwZg==Vary: Ali-Detector-Type, X-CIP-PTCache-Control: max-age=0, s-maxage=89ETag: W/"29b8-16340528168"Via: cache22.l2cm9[0,304-0,H], cache17.l2cm9[0,0], cache1.cn372[0,200-0,H], cache2.cn372[1,0]Age: 70X-Cache: HIT TCP_MEM_HIT dirn:-2:-2 mlen:-1X-Swift-SaveTime: Wed, 09 May 2018 09:54:59 GMTX-Swift-CacheTime: 36Timing-Allow-Origin: *EagleId: 3c1cf2e515258597167937091eSet-Cookie: thw=cn; Path=/; Domain=.taobao.com; Expires=Thu, 09-May-19 09:55:16 GMT;Strict-Transport-Security: max-age=31536000200https://www.taobao.com/ |
超时设置(timeout)
由于在实际的爬取过程中，部分网站可能访问过慢，影响性能，这时我们可设置超时访问.
示例： 如果在指定时间内正常访问，即输出获取数据的长度，如果超出指定时间，则抛出异常.
|
1
2
3
4
5
6
|
for i in range(0,10): try: data = urllib.request.urlopen("http://www.baidu.com",timeout=0.05).read() print(len(data)) except Exception as e: print("出现异常:"+str(e)) |
运行结果：
|
1
2
3
4
5
6
7
8
9
10
|
114980114888114809114839114824114611出现异常:<urlopen error timed out>出现异常:<urlopen error timed out>出现异常:<urlopen error timed out>115003 |
伪装
在爬取过程中，可能部分网站限制浏览器访问所以为了顺利达到我们的目的，我们对自己进行伪装.
这里我们介绍一下浏览器的伪装技术.
普通爬取：
|
1
2
|
from urllib import requestfile = request.urlopen("http://www.baidu.com").read().decode() |
通过浏览器伪装爬取数据：
方式一：
|
1
2
3
4
5
6
7
|
from urllib import request url = "http://www.baidu.com"headers = ("User-Agent"," Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36") #这里模拟浏览器 opener = request.build_opener() opener.addheaders = [headers]data = opener.open(url).read()print(data) |
方式二：
|
1
2
3
4
5
6
7
8
|
from urllib import request url = "http://www.baidu.com"headers = ("User-Agent"," Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36") #这里模拟浏览器 opener = request.build_opener() opener.addheaders = [headers]request.install_opener(opener)data = request.urlopen(url).read().decode("utf-8")print(data) |
方式三：
|
1
2
3
4
5
6
|
from urllib import request url = "http://www.baidu.com"headers = {}"User-Agent":" Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Safari/537.36"} #这里模拟浏览器,通过字典req = request.Request(url=rul,headers=headers)data = request.urlopen(req).read().decode("utf-8")print(data) |
异常处理
爬虫在运行过程中,可能会出现各种各样的问题，如果没有异常处理的话,爬出异常会直接崩溃停止运行，下次再运行的时候,爬虫又要重头开始，所以我们要开发的是一个具有顽强生命力的爬虫，必须要进行异常的处理.
常见异常示例：
|
1
2
3
4
5
|
301 重定向403 禁止访问404 没有找到页面500 服务器内部出现问题200 成功 |
python中有两个异常处理的类：URLError与HttpError
|
1
2
3
4
5
6
7
8
9
10
11
|
HttpError 是 URLError子类 HttpError 有异常状态码和异常原因 URLError 只有异常原因,没有异常状态码 所以,在异常处理的时候,不能使用URLError来代替 如果想要代替,必须要进行判断,判断是否有状态码属性 会产生URLError的情况: 1.连接不上服务器 2.远程的url不存在 3.本地网络 4.HttpError(是子类,也会出发会产生URLError |
格式如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
from urllib import error,requesttry: # 可能会出现异常的代码 data = request.urlopen("http://www.aliyu.com").read() print(data)except error.URLError as e: # 进行异常的处理 if hasattr(e,"code"): # 判断是否有状态码 print(e.code) # 状态码 if hasattr(e,"reason"): # 判断是否有异常原因 print(e.reason) # 异常原因 |
以上这篇python爬虫之urllib,伪装,超时设置,异常处理的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/Key_book/article/details/80258022
