Urllib库及其常用的四个模块

本文主要是介绍Urllib库及其常用的四个模块，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

---

1. 什么是Urllib

urllib 是 Python 标准库中的一个模块，用于处理 URL 及其相关操作。它提供了一组用于打开和读取 URL 的功能，支持 HTTP、HTTPS、FTP 等协议。

2. Urllib库的4个核心模块

2.1 request

urllib.request 是 Python 标准库中的一个子模块，用于打开和读取 URL。它提供了一组用于发送 HTTP 请求的功能，包括 GET 和 POST 请求。以下是一些常见的用法示例：

发送GET请求：

import urllib.requestresponse = urllib.request.urlopen("http://www.baidu.com")
print(response.read().decode("utf-8"))

发送POST请求：

import urllib.request# 请求网址
url = "https://www.spiderbuf.cn/playground/e01/login"# 请求体数据
data = {"user_name": "admin","password": "123456",
}# 请求头
headers = {"User-Agent": " Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36",
}# 将数据编码为 URL 编码格式，并转换为字节数据，以便在 POST 请求中发送
encoded_data = urllib.parse.urlencode(data).encode("utf-8")# 创建一个 Request 对象，包含 URL、编码后的数据、请求头和请求方法（POST）
request = urllib.request.Request(url, data=encoded_data, headers=headers, method="POST")# 发送请求并获取响应
response = urllib.request.urlopen(request)# 打印响应内容
print(response.read().decode("utf-8"))

拓展一下，urllib.request.urlopen中的context参数：

# 在发送请求时，可以额外添加 context 参数
context = ssl._create_unverified_context()
response = urllib.request.urlopen(req, context=context)

context=ssl._create_unverified_context()这行代码的确意味着客户端在进行 HTTPS 请求时不会验证服务器的 SSL 证书的真实性。这在开发和测试环境中可能有用，但在生产环境中是不推荐的，因为它会使你的请求容易受到中间人攻击（MITM）。

urllib.request.urlopen中的context参数有什么用？

context参数用于指定 SSL 上下文，以便控制 HTTPS 请求的安全设置。具体来说，context参数允许你自定义 SSL/TLS 设置，例如禁用证书验证、设置证书文件等。

简单介绍一下什么是SSL/TLS：

SSL：一种用于保护互联网连接的标准技术，保护方法是对在网站和浏览器（或两个服务器之间）之间发送的数据进行加密。它能防止黑客查看或窃取传输的任何信息，包括个人或财务数据。关于它的应用最直观的就是HTTPS，HTTPS是在HTTP上应用SSL来保障HTTP的安全性，对HTTPS可以简单理解为HTTPS＝HTTP+SSL。

TLS：是SSL的经过更新的、更安全的版本。

SSL证书：是一种遵循SSL协议的数字证书，包含拥有者的公钥及相关身份信息，由受信任的数字证书颁发机构（CA）颁发。SSL证书采用SSL协议进行通信，具有服务器身份验证和数据传输加密功能，用于保证设备内的各服务间，以及设备与外部通信的安全性，防止通信数据在传输过程被篡改造成安全风险，提升系统的安全性。数字证书可以说是网络上的安全护照或身份证，提供的是网络上的身份证明。

SSL的工作原理，可参考文章：SSL的工作原理及详细的握手过程

2.2 error

urllib库中的 error 模块用于处理在使用 urllib 进行网络请求时可能出现的各种错误和异常。该模块定义了一些异常类，这些异常类可以帮助我们捕获和处理不同类型的错误情况。

1. URLError：

   • 这是一个通用的异常类，用于捕获由 urllib引发的所有错误。它通常在无法连接到服务器或请求超时时引发。

   • 示例：

     import urllib.request
     import urllib.errortry:response = urllib.request.urlopen("https://non-existent.com")
     except urllib.error.URLError as e:print(f"URL Error: {e.reason}")# 运行结果
     # URL Error: [SSL: UNEXPECTED_EOF_WHILE_READING] EOF occurred in violation of protocol (_ssl.c:1000)
     

2. HTTPError：

   • 这是 URLError 的子类，专门用于处理 HTTP 请求返回的错误状态码（如 404、500 等）。它不仅包含错误信息，还包含 HTTP 响应码和响应头。

   • 示例：

     import urllib.request
     import urllib.errortry:response = urllib.request.urlopen("https://example.com/nonexistentpage")
     except urllib.error.HTTPError as e:print(f"HTTP Error: {e.code} - {e.reason} - {e.headers}")# 运行结果
     # HTTP Error: 404 - Not Found - Accept-Ranges: bytes
     # Age: 516948
     # Cache-Control: max-age=604800
     # Content-Type: text/html; charset=UTF-8
     # Date: Sun, 25 Aug 2024 14:47:42 GMT
     # Expires: Sun, 01 Sep 2024 14:47:42 GMT
     # Last-Modified: Mon, 19 Aug 2024 15:11:54 GMT
     # Server: ECAcc (sac/2574)
     # Vary: Accept-Encoding
     # X-Cache: 404-HIT
     # Content-Length: 1256
     # Connection: close
     

3. ContentTooShortError：

   • 当读取的内容比预期的要短时引发此异常。通常在下载文件时使用。

   • 示例：

     import urllib.request
     import urllib.errortry:response = urllib.request.urlopen("https://example.com/largefile")content = response.read()if len(content) < expected_length:raise urllib.error.ContentTooShortError("Content too short", content)
     except urllib.error.ContentTooShortError as e:print(f"Content Too Short Error: {e.reason}")
     

2.3 parse

urllib 库的 parse 模块提供了一些用于解析 URL 和处理 URL 编码的函数。

from urllib.parse import urlparse, urlunparse, urljoin, urlencode, quote, unquote# 解析 URL
url = "https://www.example.com/path;params?query=arg#frag"
parsed_url = urlparse(url)
print(parsed_url.netloc)
# 运行结果
# ParseResult(scheme='https', netloc='www.example.com', path='/path', params='params', query='query=arg', fragment='frag')# 组合 URL
url_components = ("https", "www.example.com", "/path", "params", "query=arg", "frag")
combined_url = urlunparse(url_components)
print(combined_url)
# 运行结果
# https://www.example.com/path;params?query=arg#frag# 组合基 URL 和相对 URL
base_url = "https://www.example.com/path/"
relative_url = "subpath/file.html"
full_url = urljoin(base_url, relative_url)
print(full_url)
# 运行结果
# https://www.example.com/path/subpath/file.html# URL 编码
params = {"name": "John Doe", "age": 30}
query_string = urlencode(params)
print(query_string)
# 运行结果
# name=John+Doe&age=30# URL 编码和解码
original_string = "Hello World!"
encoded_string = quote(original_string)
decoded_string = unquote(encoded_string)
print(encoded_string)
print(decoded_string)
# 运行结果
# Hello%20World%21
# Hello World!

2.4 robotparser

urllib 库的 robotparser 模块（在 Python 3 中被重命名为 urllib.robotparser）用于解析 robots.txt 文件。robots.txt 文件是网站管理员用来控制搜索引擎爬虫访问其网站的文件。

from urllib.robotparser import RobotFileParser# 创建 RobotFileParser 对象
rp = RobotFileParser()# 设置 robots.txt 文件的 URL
rp.set_url("https://fanyi.baidu.com/mtpe-individual/multimodal#/")# 读取和解析 robots.txt 文件
rp.read()# 检查某个 URL 是否允许被爬取
url = "https://fanyi.baidu.com/mtpe-individual/multimodal#/"
user_agent = "*"
is_allowed = rp.can_fetch(user_agent, url)
print(f"URL {url} is allowed to be fetched: {is_allowed}")
# 运行结果
# URL https://fanyi.baidu.com/mtpe-individual/multimodal#/ is allowed to be fetched: True

这里注意，我们需要执行完 set_url 和 read() 方法之后，can_fetch 方法返回的结果才是有效的。调用 rp.read()方法后，RobotFileParser 对象会从指定的 URL 下载并解析 robots.txt 文件。这个过程会将文件中的规则加载到内存中，以便后续的访问控制检查。

这篇关于Urllib库及其常用的四个模块的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---