Urllib
1. Urllib.request.urlopen().read().decode()
返回一個二進制的對象，對這個對象進行read()操作，可以得到一個包含網頁的二進制字符串，然后用decode()解碼成html源碼
2. urlretrieve()
將一個網頁爬取到本地
3. urlclearup()
清除 urlretrieve()所產生的緩存
4. info()
返回一個httpMessage對象，表示遠程服務器的頭信息
5. getcode()
獲取當前網頁的狀態碼 200代表成功，404網頁未找到
6. geturl()
獲取當前爬取頁面的網址
示例：
from urllib import request# urlretrieve() -- 將一個網頁爬取到本地request.urlretrieve("http://www.baidu.com",filename="demo.html")# urlclearup() -- 清除urlretrieve()所產生的緩存request.urlcleanup()# info() -- 返回一個httpMessage對象,表示遠程服務器的頭信息data = request.urlopen("http://www.taobao.com")print(data.info())# getcode() -- 獲取當前網頁的狀態碼data.geturl()print(data.getcode())# 獲取當前爬取頁面的網址print(data.geturl())運行結果：
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/
超時設置(timeout)
由于在實際的爬取過程中，部分網站可能訪問過慢，影響性能，這時我們可設置超時訪問.
示例： 如果在指定時間內正常訪問，即輸出獲取數據的長度，如果超出指定時間，則拋出異常.
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("出現異常:"+str(e))運行結果：
114980114888114809114839114824114611出現異常:<urlopen error timed out>出現異常:<urlopen error timed out>出現異常:<urlopen error timed out>115003
偽裝
在爬取過程中，可能部分網站限制瀏覽器訪問所以為了順利達到我們的目的，我們對自己進行偽裝.
這里我們介紹一下瀏覽器的偽裝技術.
普通爬取：
from urllib import requestfile = request.urlopen("http://www.baidu.com").read().decode()通過瀏覽器偽裝爬取數據：
方式一：
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") #這里模擬瀏覽器 opener = request.build_opener() opener.addheaders = [headers]data = opener.open(url).read()print(data)方式二：
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") #這里模擬瀏覽器 opener = request.build_opener() opener.addheaders = [headers]request.install_opener(opener)data = request.urlopen(url).read().decode("utf-8")print(data)方式三：
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"} #這里模擬瀏覽器,通過字典req = request.Request(url=rul,headers=headers)data = request.urlopen(req).read().decode("utf-8")print(data)異常處理
爬蟲在運行過程中,可能會出現各種各樣的問題，如果沒有異常處理的話,爬出異常會直接崩潰停止運行，下次再運行的時候,爬蟲又要重頭開始，所以我們要開發的是一個具有頑強生命力的爬蟲，必須要進行異常的處理.
常見異常示例：
301 重定向403 禁止訪問404 沒有找到頁面500 服務器內部出現問題200 成功
python中有兩個異常處理的類：URLError與HttpError
HttpError 是 URLError子類 HttpError 有異常狀態碼和異常原因 URLError 只有異常原因,沒有異常狀態碼 所以,在異常處理的時候,不能使用URLError來代替 如果想要代替,必須要進行判斷,判斷是否有狀態碼屬性 會產生URLError的情況: 1.連接不上服務器 2.遠程的url不存在 3.本地網絡 4.HttpError(是子類,也會出發會產生URLError
格式如下：
from urllib import error,requesttry: # 可能會出現異常的代碼 data = request.urlopen("http://www.aliyu.com").read() print(data)except error.URLError as e: # 進行異常的處理 if hasattr(e,"code"): # 判斷是否有狀態碼 print(e.code) # 狀態碼 if hasattr(e,"reason"): # 判斷是否有異常原因 print(e.reason) # 異常原因以上這篇python爬蟲之urllib,偽裝,超時設置,異常處理的方法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持VEVB武林網。
新聞熱點
疑難解答
