从零开始学Python爬虫：（二）使用基本库urllib（下）

一、异常处理

关于某些情况下，可能会出现异常，如果不处理它们，会发生很多错误。

而urllib库提供了error模块来处理这些异常，该模块包括以下功能：

（1）URLError

该类含有一个属性reason，可以返回错误原因

示例：

from urllib import error,request
try:
    a=request.urlopen("某个不存在的页面")
except error.URLError as b:
    print(b.reason)

系统输出：

Not Found

程序未报错，而是直接输出了错误的原因

（2）HTTPError

该类含有三个属性：code（状态码）、reason（错误原因）、headers（请求头）

示例：

from urllib import error,request
try:
    a=request.urlopen("某个不存在的页面")
except error.HTTPError as b:
    print(b.code,b.reason,b.headers)

如此，会输出响应的状态码、错误原因、请求头

（注：如果以上两个的网址要找某个存在网址的不存在页面才能输出）

二、网址处理

这里采用urllib库中的parse模块，

包括功能：

（1）urlparse

用于识别和分段url

来看一个例子：

它将一个网址分为了若干部分（注：空为没有）

netloc表示域名、path是访问路径、params是参数、query是查询条件、fragment是锚点（定位页面下拉位置）

当然，以上只是urlparse的一个参数

它的完整形态是：

urlparse（网址，scheme，allow_fragments）

网址就是上面所说的一堆，

scheme则是协议，http还是https

allow_fragments是是否忽略锚点

（2）urlunparse

用于构造url

（注：参数必须包含网址、netloc域名、path访问路径、params参数、query查询条件、fragment锚点这六部分）

示例：

与这两个类似的还有urlsplit、urlunsplit和urljoin，大家可以自行了解。

（3）urlencode

用于构造GET请求参数

举个例子：

首先构建一个字典，存储参数。

然后使用urlencode方法将其转化为真正的参数

就可以看到该参数成功进入了网址中

当然，有字典转化为参数，就有参数转化为字典，这里就可以用parse_qs

（4）quote

将内容转化为URL编码格式

有编码就有解码，解码可以采用unquote方法

三、Robots协议

这个协议通常用来区分，哪些网站可以爬，哪些网站不可以爬。

它通常是一个名为robots.txt的文本文件

在爬虫时，如果访问到存在该文件，就会根据其中规定的范围内爬取

如果没有，则全页面可爬。

（1）样例

User-agent: *

Disallow: /

Allow: /public/

如上便是一个简单样例，

• public一行表示限定了搜索爬虫只能爬取public目录
• 其中的 * 一行表示对所有爬虫都有效（如果将 * 改为Baiduspider 则表示只对百度爬虫有效）
• Disallow则指明了不允许爬取的目录

附：常见爬虫名称及对应网站

1. Baiduspider
   对应网站：百度（baidu.com）
   说明：Baiduspider 是百度搜索引擎使用的爬虫，用于抓取网站内容并将其索引。

2. Googlebot
   对应网站：谷歌（google.com）
   说明：Googlebot 是 Google 搜索引擎的爬虫，负责抓取和索引全球范围内的网页内容。

3. Bingbot
   对应网站：必应（bing.com）
   说明：Bingbot 是微软必应搜索引擎的爬虫，用于抓取和索引互联网上的网页。

4. Yandexbot
   对应网站：Yandex（yandex.com）
   说明：Yandexbot 是俄罗斯搜索引擎 Yandex 使用的爬虫。

5. Sogou Spider
   对应网站：搜狗（sogou.com）
   说明：搜狗爬虫用于抓取互联网上的信息，用于搜狗搜索引擎。

6. 360Spider
   对应网站：360搜索（so.com）
   说明：360Spider 是360搜索引擎的爬虫，负责抓取网站数据。

7. Yahoo! Slurp
   对应网站：Yahoo（yahoo.com）
   说明：Yahoo! Slurp 是 Yahoo 搜索引擎的爬虫，用于抓取和索引网页。

8. DuckDuckBot
   对应网站：DuckDuckGo（duckduckgo.com）
   说明：DuckDuckBot 是 DuckDuckGo 搜索引擎使用的爬虫，旨在获取网页内容进行索引。

9. SeznamBot
   对应网站：Seznam（seznam.cz）
   说明：SeznamBot 是捷克搜索引擎 Seznam 的爬虫，负责抓取网页内容。

（2）使用robotparser

依旧是urllib库里的模块。

常用方法有：

1. RobotFileParser()

   • 功能：创建一个 RobotFileParser 对象。

2. set_url(url)

   • 功能：设置 robots.txt 文件的 URL 地址，通常是网站根目录下的 robots.txt。

3. read()

   • 功能：读取并解析指定 URL 的 robots.txt 文件内容。

4. can_fetch(useragent, url)

   • 功能：判断给定的爬虫用户代理（user-agent）是否可以抓取指定 URL。如果 robots.txt 文件允许抓取该页面，则返回 True，否则返回 False。

5. mtime()

   • 功能：获取 robots.txt 文件的修改时间（如果存在的话）。返回值为时间戳。

6. modified()

   • 功能：检查 robots.txt 文件是否已被修改。如果文件已经被修改，则返回 True，否则返回 False。

7. default_entry

   • 功能：设置默认条目。如果没有明确的规则匹配某个 user-agent，使用此默认条目进行判断。

举个代码示例来看一下：

from urllib import robotparser
#创建一个对象
a=robotparser.RobotFileParser()

#设置网址地址
a.set_url(robots.txt文件的链接)

#读取
a.read()

#判断
print(a.can_fetch('爬虫名称（如Baiduspider）' ,'要爬取的url'))

然后运行，返回看返回的是True还是False即可判断是否限制爬取。