我们在写爬虫的时候经常会用到urllib模块，我就到网上搜集了一下urllibmokuai的使用方法，整理了一下
模块：urllib
环境：windows
python3版本中已经将urllib2、urlparse、和robotparser并入了urllib中，并且修改了urllib模块
这里简单介绍一下urllib模块
urllib有5种方法：
①urllib.error ②urllib.parse ③urllib.request ④urllib.response ⑤urllib.robotparser
这里逐一介绍以上三个模块（error parse request）
urllib.request:请求模块
urllib.request.urlopen(url,data=None，[timeout,]*,cafile=None,capath=None,cadefault=False,context=None)
urlopen一般常用的有三个参数
url:需要打开的网址
data：默认为None，当data参数不为空的时候，提交方式为Post。
timeout：设置网站的访问超时时间直接用urllib.request模块的urlopen（）获取页面内容，返回 的数据格式为bytes类型，需要decode()解码，转换成str类型。
#简单的例子import urllib.requestresponse = urllib.request.urlopen('www.baidu.com')print(response.read().decode('utf-8'))
#或者含有data的例子import urllib.parseimport urllib.requestdata = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')print(data)response = urllib.request.urlopen('http://httpbin.org/post', data=data,timeout=10)print(response.read()) response.geturl（） #返回请求的url地址。
response.info（） #返回一个对象，表示远程服务器返回的头信息。
response.getcode() #返回Http状态码，如果是http请求，200表示请求成功完成;404表示网址未找到
urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)
仅urlopen()方法可以实现最基本请求的发起，但这几个简单的参数并不足以构建一个完整的请求，如果请求中需要加入headers（请求头）等信息，我们就可以利用更强大的Request类来构建一个请求。也许这就是一下两个方式的区别
有很多网站为了防止程序爬虫爬网站造成网站瘫痪，会需要携带一些headers头部信息才能访 问，最长见的有user-agent参数
Request一般常用的有三个参数
url:需要打开的网址
data：默认为None，当data参数不为空的时候，提交方式为Post。
headers：访问头部信息
#一个简单的例子from urllib import request, parseurl = 'http://httpbin.org/post'headers = { 'User-Agent': 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)', 'Host': 'httpbin.org'}dict = { 'name': 'haha'}data = bytes(parse.urlencode(dict), encoding='utf8') #将dict的参数变成name=hahareq = request.Request(url=url, data=data, headers=headers, method='POST')response = request.urlopen(req)print(response.read().decode('utf-8')) #添加头的第二种方法from urllib import request, parseurl = 'http://httpbin.org/post'dict = { 'name': 'piupiu'}data = bytes(parse.urlencode(dict), encoding='utf8')req = request.Request(url=url, data=data, method='POST')req.add_header('User-Agent', 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)')response = request.urlopen(req)print(response.read().decode('utf-8'))
rullib.request.ProxyHandler()
通过rulllib.request.ProxyHandler()可以设置代理,网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问,所以这个时候需要通过设置代理来爬取数据
#简单的例子import urllib.requestproxy_handler = urllib.request.ProxyHandler({ 'http': 'http://127.0.0.1:9743', 'https': 'https://127.0.0.1:9743'})opener = urllib.request.build_opener(proxy_handler)response = opener.open('http://httpbin.org/get')print(response.read())
cookie,HTTPCookiProcessor
cookie中保存中我们常见的登录信息，有时候爬取网站需要携带cookie信息访问,这里用到了http.cookijar，用于获取cookie以及存储cookie
import http.cookiejar, urllib.requestcookie = http.cookiejar.CookieJar()handler = urllib.request.HTTPCookieProcessor(cookie)opener = urllib.request.build_opener(handler)response = opener.open('http://www.baidu.com')for item in cookie: print(item.name+"="+item.value) 同时cookie可以写入到文件中保存，有两种方式http.cookiejar.MozillaCookieJar和http.cookiejar.LWPCookieJar()，当然你自己用哪种方式都可以
http.cookiejar.MozillaCookieJar()方式
import http.cookiejar, urllib.requestfilename = "cookie.txt"cookie = http.cookiejar.MozillaCookieJar(filename)handler = urllib.request.HTTPCookieProcessor(cookie)opener = urllib.request.build_opener(handler)response = opener.open('http://www.baidu.com')cookie.save(ignore_discard=True, ignore_expires=True)
http.cookiejar.LWPCookieJar()方式
import http.cookiejar, urllib.requestfilename = 'cookie.txt'cookie = http.cookiejar.LWPCookieJar(filename)handler = urllib.request.HTTPCookieProcessor(cookie)opener = urllib.request.build_opener(handler)response = opener.open('http://www.baidu.com')cookie.save(ignore_discard=True, ignore_expires=True)
urllib.error: 异常处理模块
在很多时候我们通过程序访问页面的时候，有的页面可能会出现错误，类似404，500等错误
这个时候就需要我们捕捉异常
#一个简单的例子from urllib import request,errortry: response = request.urlopen("http://pythonsite.com/1111.html")except error.URLError as e: print(e.reason) 上述代码访问的是一个不存在的页面，通过捕捉异常，我们可以打印异常错误
这里我们需要知道的是在urllb异常这里有两个个异常错误：
URLError,HTTPError，HTTPError是URLError的子类URLError里只有一个属性：reason,即抓异常的时候只能打印错误信息，类似上面的例子
HTTPError里有三个属性：code,reason,headers，即抓异常的时候可以获得code,reson，headers三个信息，例子如下：
from urllib import request,errortry: response = request.urlopen("http://pythonsite.com/1111.html")except error.HTTPError as e: print(e.reason) print(e.code) print(e.headers)except error.URLError as e: print(e.reason)else: print("reqeust successfully") 同时，e.reason其实也可以在做深入的判断，例子如下：
import socketfrom urllib import error,requesttry: response = request.urlopen("http://www.pythonsite.com/",timeout=0.001)except error.URLError as e: print(type(e.reason)) if isinstance(e.reason,socket.timeout): print("time out")
urllib.parse: url解析模块
from urllib.parse import urlparseresult = urlparse("print(result) 执行结果如下：
这里就是可以对你传入的url地址进行拆分
同时我们是可以指定协议类型：
result = urlparse(")
这样拆分的时候协议类型部分就会是你指定的部分，当然如果你的url里面已经带了协议，你再通过scheme指定的协议就不会生效
urlunpars
其实功能和urlparse的功能相反，它是用于拼接，例子如下：
from urllib.parse import urlunparsedata = ['http','print(urlunparse(data))
执行结果如下：
urljoin
这个的功能其实是做拼接的
from urllib.parse import urljoinprint(urljoin('http://www.baidu.com', 'FAQ.html'))print(urljoin('http://www.baidu.com', 'https://pythonsite.com/FAQ.html'))print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html'))print(urljoin('http://www.baidu.com/about.html', 'https://pythonsite.com/FAQ.html?question=2'))print(urljoin('http://www.baidu.com?wd=abc', 'https://pythonsite.com/index.php'))print(urljoin('http://www.baidu.com', '?category=2#comment'))print(urljoin('www.baidu.com', '?category=2#comment'))print(urljoin('www.baidu.com#comment', '?category=2')) 执行结果如下：
从拼接的结果我们可以看出，拼接的时候后面的优先级高于前面的url
urlencode
这个方法可以将字典转换为url参数
from urllib.parse import urlencodeparams = { "name":"zhaofan", "age":23,}base_url = "http://www.baidu.com?"url = base_url+urlencode(params)print(url) 执行结果如下：
这里个人感觉下面的两种方法使用较少 就不再做分析
urllib.response:
urllib.robotparser: robots.txt解析模块
重要的事情说三遍
本文内容摘录与：