【Python爬蟲實戰(zhàn)】用urllib與服務端交互（發(fā)送和接收數(shù)據(jù)）

作者：geekori 2021-03-04 11:37:13

urllib最基本的一個功能就是向服務端發(fā)送HTTP請求，然后接收服務端返回的響應數(shù)據(jù)。這個功能只需要通過urlopen函數(shù)就可以搞定。例如，下面的代碼向百度發(fā)送HTTP GET請求，然后輸出服務端的響應結(jié)果。

[[385221]]

urllib是Python3中內(nèi)置的HTTP請求庫，不需要單獨安裝，官方文檔鏈接如下：https://docs.python.org/3/library/urllib.html從官方文檔可以看出，urllib包含4個模塊，如圖1所示。

圖1 urllib官方文檔目錄

這4個模塊的功能描述如下：

request：最基本的HTTP請求模塊，可以用來發(fā)送HTTP請求，并接收服務端的響應數(shù)據(jù)。這個過程就像在瀏覽器地址欄輸入URL，然后按Enter鍵一樣。
error：異常處理模塊，如果出現(xiàn)請求錯誤，我們可以捕獲這些異常，然后根據(jù)實際情況，或者進行重試，或者直接忽略，或進行其他操作。
parse：工具模塊，提供了很多處理URL的API，如拆分、解析、合并等。
robotparser：主要用來識別網(wǎng)站的robots.txt文件，然后判斷哪些網(wǎng)站可以抓取，哪些網(wǎng)站不可以抓取。

本文主要介紹如何通過urllib發(fā)送HTTP GET請求和HTTP POST請求，并獲取相應數(shù)據(jù)。

1. 用urlopen函數(shù)發(fā)送HTTP GET請求

import urllib.request 
response=urllib.request.urlopen('https://baidu.com') 
# 將服務端的響應數(shù)據(jù)用utf-8解碼 
print(response.read().decode('utf-8'))

運行結(jié)果如圖2所示。

圖2 百度首頁的HTML代碼

我們可以看到，使用urllib與服務端交互是非常容易的，除了import語句外，真正與業(yè)務有關的代碼只有2行，就完成了整個與服務端交互的過程。其實這個過程已經(jīng)完成了爬蟲的第一步，就是從服務端獲取HTML代碼，然后就可以利用各種分析庫對HTML代碼進行解析，提取出我們感興趣的URL、文本、圖像等。其實urlopen函數(shù)返回的是一個對象，而read是這個對象的一個方法，可以利用type方法輸出這個對象的類型，當我們知道了對象類型后，就可以很容易知道這個對象中有哪些API，然后調(diào)用它們。

import urllib.request 
response=urllib.request.urlopen('https://baidu.com') 
print(type(response))

這段代碼會輸出如下的結(jié)果：

<class 'http.client.HTTPResponse'>

現(xiàn)在我們了解到，urlopen函數(shù)返回的是HTTPResponse類型的對象，主要包含read、getheader、getheaders等方法，以及msg、version、status、debuglevel、closed等屬性。下面是一個實際的案例，用來演示了HTTPResponse對象中主要的方法和屬性的用法。

import urllib.request 
# 向京東商城發(fā)送HTTP GET請求，urlopen函數(shù)即可以使用http，也可以使用https 
response=urllib.request.urlopen('https://www.jd.com') 
# 輸出urlopen函數(shù)返回值的數(shù)據(jù)類型 
print('response的類型：',type(response)) 
# 輸出響應狀態(tài)碼、響應消息和HTTP版本 
print('status:',response.status,' msg:',response.msg,' version:', response.version) 
# 輸出所有的響應頭信息 
print('headers:',response.getheaders()) 
# 輸出名為Content-Type的響應頭信息 
print('headers.Content-Type',response.getheader('Content-Type')) 
# 輸出京東商城首頁所有的HTML代碼（經(jīng)過utf-8解碼） 
print(response.read().decode('utf-8'))

運行結(jié)果如圖3所示。

圖3 HTTPResponse對象的API演示

2. 用urlopen函數(shù)發(fā)送HTTP POST請求

urlopen函數(shù)默認情況下發(fā)送的是HTTP GET請求，如果要發(fā)送HTTP POST請求，需要使用data命名參數(shù)，該參數(shù)是bytes類型，需要用bytes類將字符串形式的數(shù)據(jù)轉(zhuǎn)換為bytes類型。下面的例子

下面的例子向http://httpbin.org/post發(fā)送HTTP POST請求，并輸出返回結(jié)果。

import urllib.request 
# 將表單數(shù)據(jù)轉(zhuǎn)換為bytes類型，用utf-8編碼 
data=bytes(urllib.parse.urlencode({'name':'Bill','age':30}),encoding='utf-8') 
# 提交HTTP POST請求 
response=urllib.request.urlopen('http://httpbin.org/post',data=data) 
# 輸出響應數(shù)據(jù) 
print(response.read().decode('utf-8'))

這段代碼中一開始提供了一個字典形式的表單數(shù)據(jù)，然后使用urlencode方法將字典類型的表單轉(zhuǎn)換為字符串形式的表單，接下來將字符串形式的表單按utf-8編碼轉(zhuǎn)換為bytes類型，這就是要傳給urlopen函數(shù)的data命名參數(shù)的值，要注意，一旦指定了data命名參數(shù)，urlopen函數(shù)就會向服務端提交HTTP POST請求，這里并不需要顯式指定要提交的是POST請求。

本例將HTTP POST請求提交給了http://httpbin.org/post，這是一個用于測試HTTP POST請求的網(wǎng)址，如果請求成功，服務端會將HTTP POST請求信息原封不動地返回給客戶端。運行結(jié)果如圖4所示。

圖4 HTTP POST請求信息

本文轉(zhuǎn)載自微信公眾號「極客起源」，可以通過以下二維碼關注。轉(zhuǎn)載本文請聯(lián)系極客起源公眾號。

責任編輯：武曉燕來源：極客起源