python3使用urllib模組製作網路爬蟲

urllib

urllib模組是python3的URL處理包

其中：

1、urllib.request主要是開啟和閱讀urls

個人平時主要用的1：

開啟對應的URL：urllib.request.open(url)

用urllib.request.build_opener([handler, ...])，來偽裝成對應的瀏覽器

import urllib#要偽裝成的瀏覽器(我這個是用的chrome)headers = ('User-Agent','Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36')url='http://hotels.ctrip.com/'opener = urllib.request.build_opener()#將要偽裝成的瀏覽器添加到對應的http頭部opener.addheaders=[headers]#讀取相應的urldata = opener.open(url).read()#將獲得的html解碼為utf-8data=data.decode('utf-8')print(data)

2、urllib.parse主要是用來解析url

主要方法：

urllib.parse.urlparse(urlstring)

功能：將對應的URL解析成六部分，並以元組的資料格式返回來。(在功能上和urlsplit()幾乎一模一樣)

import urllibo = urllib.parse.urlparse('http://www.cwi.nl:80/%7Eguido/Python.html')print(o)print(o.path)print(o.scheme)print(o.port)print(o.geturl())

對應的結果：

ParseResult(scheme='http', netloc='www.cwi.nl:80', path='/%7Eguido/Python.html', params='', query='', fragment='')
/%7Eguido/Python.html
http
80
http://www.cwi.nl:80/%7Eguido/Python.html

2、構建一個新的url——urllib.parse.urljoin(base, url)

參數：base:基本的URL連結

url:另一個url

from urllib.parse import urljoina=urljoin('http://www.cwi.nl/%7Eguido/Python.html', 'FAQ.html')print(a)

結果：http://www.cwi.nl/%7Eguido/FAQ.html

這個函數在爬蟲的時候應該方便多了，我之前用的是比較笨的方法直接字串拼接

3、異常處理 urllib.error

用 try-except來捕捉異常

主要的錯誤方式就兩種 URLError和HTTPError

因為HTTPError是URLError的子類，所以URLError應該寫在HttpError後面,說白了就是找到兒子一定知道父親，找到父親，不一定知道兒子。

try:  data=urllib.request.urlopen(url)  print(data.read().decode('utf-8'))except urllib.error.HTTPError as e:  print(e.code)except urllib.error.URLError as e:  print(e.reason)

結果：[WinError 10060] 由於串連方在一段時間後沒有正確回覆或串連的主機沒有反應，串連嘗試失敗。

如果捕獲到了HTTPError，則輸出code，不會再處理URLError異常。如果發生的不是HTTPError，則會去捕獲URLError異常，輸出錯誤原因

