Python3.X 抓取网络资源

jopen 11年前

Python 3.X 要使用urllib.request 来抓取网络资源。

最简单的方式:

#coding=utf-8  import urllib.request  response = urllib.request.urlopen('http://python.org/')  buff = response.read()  #显示  html = buff.decode("utf8")  response.close()  print(html)

 

使用Request的方式:

#coding=utf-8  import urllib.request  req = urllib.request.Request('http://www.voidspace.org.uk')  response = urllib.request.urlopen(req)  buff = response.read()  #显示  the_page = buff.decode("utf8")  response.close()  print(the_page)

这种方式同样可以用来处理其他URL,例如FTP:

#coding=utf-8  import urllib.request  req = urllib.request.Request('ftp://ftp.pku.edu.cn/')  response = urllib.request.urlopen(req)  buff = response.read()  #显示  the_page = buff.decode("utf8")  response.close()  print(the_page)

 

使用POST请求:

import urllib.parseimport  urllib.requesturl = 'http://www.someserver.com/cgi-bin/register.cgi'  values = {'name' : 'Michael Foord',            'location' : 'Northampton',            'language' : 'Python' }              data = urllib.parse.urlencode(values)  req = urllib.request.Request(url, data)  response = urllib.request.urlopen(req)  the_page = response.read()

使用GET请求:

import urllib.request  import urllib.parse  data = {}  data['name'] = 'Somebody Here'  data['location'] = 'Northampton'  data['language'] = 'Python'  url_values = urllib.parse.urlencode(data)  print(url_values)  name=Somebody+Here&language=Python&location=Northampton  url = 'http://www.example.com/example.cgi'  full_url = url + '?' + url_values  data = urllib.request.open(full_url)

 

添加header:

import urllib.parse  import urllib.request    url = 'http://www.someserver.com/cgi-bin/register.cgi'  user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  values = {'name' : 'Michael Foord',            'location' : 'Northampton',            'language' : 'Python' }  headers = { 'User-Agent' : user_agent }    data = urllib.parse.urlencode(values)  req = urllib.request.Request(url, data, headers)  response = urllib.request.urlopen(req)  the_page = response.read()

 

错误处理:

req = urllib.request.Request('http://www.pretend_server.org')  try: urllib.request.urlopen(req)  except urllib.error.URLError as e:      print(e.reason)

返回的错误代码:

# Table mapping response codes to messages; entries have the  # form {code: (shortmessage, longmessage)}.  responses = {      100: ('Continue', 'Request received, please continue'),      101: ('Switching Protocols',            'Switching to new protocol; obey Upgrade header'),        200: ('OK', 'Request fulfilled, document follows'),      201: ('Created', 'Document created, URL follows'),      202: ('Accepted',            'Request accepted, processing continues off-line'),      203: ('Non-Authoritative Information', 'Request fulfilled from cache'),      204: ('No Content', 'Request fulfilled, nothing follows'),      205: ('Reset Content', 'Clear input form for further input.'),      206: ('Partial Content', 'Partial content follows.'),        300: ('Multiple Choices',            'Object has several resources -- see URI list'),      301: ('Moved Permanently', 'Object moved permanently -- see URI list'),      302: ('Found', 'Object moved temporarily -- see URI list'),      303: ('See Other', 'Object moved -- see Method and URL list'),      304: ('Not Modified',            'Document has not changed since given time'),      305: ('Use Proxy',            'You must use proxy specified in Location to access this '            'resource.'),      307: ('Temporary Redirect',            'Object moved temporarily -- see URI list'),        400: ('Bad Request',            'Bad request syntax or unsupported method'),      401: ('Unauthorized',            'No permission -- see authorization schemes'),      402: ('Payment Required',            'No payment -- see charging schemes'),      403: ('Forbidden',            'Request forbidden -- authorization will not help'),      404: ('Not Found', 'Nothing matches the given URI'),      405: ('Method Not Allowed',            'Specified method is invalid for this server.'),      406: ('Not Acceptable', 'URI not available in preferred format.'),      407: ('Proxy Authentication Required', 'You must authenticate with '            'this proxy before proceeding.'),      408: ('Request Timeout', 'Request timed out; try again later.'),      409: ('Conflict', 'Request conflict.'),      410: ('Gone',            'URI no longer exists and has been permanently removed.'),      411: ('Length Required', 'Client must specify Content-Length.'),      412: ('Precondition Failed', 'Precondition in headers is false.'),      413: ('Request Entity Too Large', 'Entity is too large.'),      414: ('Request-URI Too Long', 'URI is too long.'),      415: ('Unsupported Media Type', 'Entity body in unsupported format.'),      416: ('Requested Range Not Satisfiable',            'Cannot satisfy request range.'),      417: ('Expectation Failed',            'Expect condition could not be satisfied.'),        500: ('Internal Server Error', 'Server got itself in trouble'),      501: ('Not Implemented',            'Server does not support this operation'),      502: ('Bad Gateway', 'Invalid responses from another server/proxy.'),      503: ('Service Unavailable',            'The server cannot process the request due to a high load'),      504: ('Gateway Timeout',            'The gateway server did not receive a timely response'),      505: ('HTTP Version Not Supported', 'Cannot fulfill request.'),      }