Python笔记：网络爬虫的基础应用与异常处理

Python中的urllib介绍

• 在Python2中, 有urllib与urllib2两个库可以用来实现request的发送
• 而在Python3中, 没有urllib2了，统一称为：urllib
• urllib中包括了四个模块：
  • urllib.request: 可以用来发送request和获取request的结果
  • urllib.error: 包含了urllib.request产生的异常
  • urllib.parse: 用于解析和处理URL
  • urllib.robotparse: 用于解析页面的robots.txt文件

关于urllib.request模块

• 该模块提供了最基本的构造HTTP请求的方法, 可以模拟浏览器的请求过程，同时还带有处理authentication(授权验证)、redirections(重定向)、cookies(浏览器Cookies)等内容
• 使用示例：urllib.request.urlopen(url, data=None, [timeout,]*, cafile=None, capath=None, cadefault=False, context=None)
  • 参数：url是地址；data：可选附加参数，字节流编码格式(bytes()可转换), 请求方式会变为POST; timeout(超时时间)单位为秒, 未及时响应则抛出异常
  • 返回：HTTPResponse类型的对象：response.read() 可得到返回的网页内容, 可使用decode(‘utf-8’)解码字符串； response.status 可以得到返回结果的状态码

关于urllib.request.Request模块

• 利用urlopen()可实现最基本的请求发起，但不足以构建一个完整的请求
• 使用强大的Request类可以在请求中加入需要的headers等信息
  • 示例源码：class urllib.request.Request(url,data=None,headers={},origin_req_host=None,unverifiable=False,method=None)
  • 参数url: 是必传参数，其他都是可选参数
  • 参数data: 参数如果要传必须传bytes(字节流)类型的, 如果是一个字典, 可以先用urllib.parse.urlencode()进行编码
  • 参数headers: 是一个字典, 可在构造Request时通过headers参数传递，也可通过调用add_header()来添加请求头
  • 参数origin_req_host: 请求方的host名称或IP地址
  • 参数unverifiable 指的是这个请求是否是无法验证的，默认是False, 意思是用户没有足够权限来选择接受这个请求的结果
  • 参数method是一个字符串，用来指示请求使用的方法，如：GET、POST、PUT等

使用urllib.request模块来爬取数据示例

import urllib.request
import re

url = "http://www.baidu.com"
res = urllib.request.urlopen(url)
# print(res.read().decode("utf-8")) # 请求的结果是html代码
# print(len(res.read())) # 153682 注：此处输出网页字符的长度
html = res.read().decode("utf-8")

dlist = re.findall("<title>(.*?)</title>", html)
print(dlist) # ['百度一下，你就知道']

使用urllib.request.Request模块进行请求封装示例

import urllib.request
import re

url = 'http://news.baidu.com/';

# 伪装浏览器用户
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36'}
req = urllib.request.Request(url, headers=headers) # 封装请求对象
res = urllib.request.urlopen(req) # 执行请求获取响应信息 通过封装对象
# res = urllib.request.urlopen(url) # 执行请求获取响应信息 直接通过url
html = res.read().decode('utf-8') # 从响应对象中读取信息并解码
pat = '<a href="(.*?)" .*? target="_blank">(.*?)</a>' # 使用正则解析新闻标题

dlist = re.findall(pat, html)

for v in dlist:
    print(v[1] + ' : ' + v[0])

爬虫的异常处理

• 在爬虫运行时，经常会出现异常，若不进行处理则会因报错而终止运行
• urllib.error 可接收有urllib.request产生的异常。它有两个类，URLError 和 HTTPError
  • URLError内有一个属性：reason 返回错误原因
  • HTTPError内有三个属性： code 返回状态码，reason返回错误原因，headers返回请求头
• URLError 是 OSError 的一个子类，HTTPError 是 URLError的一个子类
• 错误处理: 在容易出错的位置，添加 try 块

方式1 (按错误类型分别处理)：

from urllib import request, error

url = 'https://avatar.csdn.net/x/y/sdsds.jpg'
req = request.Request(url)
try:
    res = request.urlopen(req)
    html = res.read().decode('utf-8') # 此处二进制内容转换为utf8的内容
    print(len(html))
# HTTPError 要在 URLError 之后
except error.HTTPError as e:
    print('HTTPError')
    print(e.reason)
    print(e.code)
except error.URLError as e:
    print('URLError')
    print(e.reason)

方式2 (开发中经常采用这种方式, 统一处理):

from urllib import request, error

url = 'https://avatar.csdn.net/x/y/sdsds.jpg'
req = request.Request(url)
try:
    res = request.urlopen(req)
    html = res.read().decode('utf-8')
    print(len(html))
except Exception as e:
    if hasattr(e, "code"):
        print("HTTPError")
        print(e.reason)
        print(e.code)
    elif hasattr(e, "reason"):
        print("URLError")
        print(e.reason)