爬蟲之urllib2庫的基本使用

urllib2庫的基本使用

所謂網頁抓取，就是把URL地址中指定的網絡資源從網絡流中讀取出來，保存到本地。 在Python中有不少庫能夠用來抓取網頁，咱們先學習urllib2。

urllib2 是 Python2.7 自帶的模塊(不須要下載，導入便可使用)

urllib2 官方文檔：https://docs.python.org/2/library/urllib2.html

urllib2 源碼：https://hg.python.org/cpython/file/2.7/Lib/urllib2.py

urllib2 在 python3.x 中被改成urllib.request

urlopen

咱們先來段代碼：

# urllib2_urlopen.py # 導入urllib2 庫 import urllib2 # 向指定的url發送請求，並返回服務器響應的類文件對象 response = urllib2.urlopen("http://www.baidu.com") # 類文件對象支持 文件對象的操做方法，如read()方法讀取文件所有內容，返回字符串 html = response.read() # 打印字符串 print html 

執行寫的python代碼，將打印結果

Power@PowerMac ~$: python urllib2_urlopen.py

實際上，若是咱們在瀏覽器上打開百度主頁， 右鍵選擇「查看源代碼」，你會發現，跟咱們剛纔打印出來的是如出一轍。也就是說，上面的4行代碼就已經幫咱們把百度的首頁的所有代碼爬了下來。

一個基本的url請求對應的python代碼真的很是簡單。

Request

在咱們第一個例子裏，urlopen()的參數就是一個url地址；

可是若是須要執行更復雜的操做，好比增長HTTP報頭，必須建立一個 Request 實例來做爲urlopen()的參數；而須要訪問的url地址則做爲 Request 實例的參數。

咱們編輯urllib2_request.py

# urllib2_request.py import urllib2 # url 做爲Request()方法的參數，構造並返回一個Request對象 request = urllib2.Request("http://www.baidu.com") # Request對象做爲urlopen()方法的參數，發送給服務器並接收響應 response = urllib2.urlopen(request) html = response.read() print html 

運行結果是徹底同樣的：

新建Request實例，除了必需要有 url 參數以外，還能夠設置另外兩個參數：

1. data（默認空）：是伴隨 url 提交的數據（好比要post的數據），同時 HTTP 請求將從 "GET"方式 改成 "POST"方式。

2. headers（默認空）：是一個字典，包含了須要發送的HTTP報頭的鍵值對。

這兩個參數下面會說到。

User-Agent

可是這樣直接用urllib2給一個網站發送請求的話，確實略有些唐突了，就比如，人家每家都有門，你以一個路人的身份直接闖進去顯然不是很禮貌。並且有一些站點不喜歡被程序（非人爲訪問）訪問，有可能會拒絕你的訪問請求。

可是若是咱們用一個合法的身份去請求別人網站，顯然人家就是歡迎的，因此咱們就應該給咱們的這個代碼加上一個身份，就是所謂的User-Agent頭。

• 瀏覽器 就是互聯網世界上公認被容許的身份，若是咱們但願咱們的爬蟲程序更像一個真實用戶，那咱們第一步，就是須要假裝成一個被公認的瀏覽器。用不一樣的瀏覽器在發送請求的時候，會有不一樣的User-Agent頭。 urllib2默認的User-Agent頭爲：Python-urllib/x.y（x和y是Python主版本和次版本號,例如 Python-urllib/2.7）

#urllib2_useragent.py import urllib2 url = "http://www.itcast.cn" #IE 9.0 的 User-Agent，包含在 ua_header裏 ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} # url 連同 headers，一塊兒構造Request請求，這個請求將附帶 IE9.0 瀏覽器的User-Agent request = urllib2.Request(url, headers = ua_header) # 向服務器發送這個請求 response = urllib2.urlopen(request) html = response.read() print html 

添加更多的Header信息

在 HTTP Request 中加入特定的 Header，來構造一個完整的HTTP請求消息。

能夠經過調用Request.add_header() 添加/修改一個特定的header 也能夠經過調用Request.get_header()來查看已有的header。

• 添加一個特定的header

# urllib2_headers.py import urllib2 url = "http://www.itcast.cn" #IE 9.0 的 User-Agent header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} request = urllib2.Request(url, headers = header) #也能夠經過調用Request.add_header() 添加/修改一個特定的header request.add_header("Connection", "keep-alive") # 也能夠經過調用Request.get_header()來查看header信息 # request.get_header(header_name="Connection") response = urllib2.urlopen(req) print response.code #能夠查看響應狀態碼 html = response.read() print html 

• 隨機添加/修改User-Agent

# urllib2_add_headers.py import urllib2 import random url = "http://www.itcast.cn" ua_list = [ "Mozilla/5.0 (Windows NT 6.1; ) Apple.... ", "Mozilla/5.0 (X11; CrOS i686 2268.111.0)... ", "Mozilla/5.0 (Macintosh; U; PPC Mac OS X.... ", "Mozilla/5.0 (Macintosh; Intel Mac OS... " ] user_agent = random.choice(ua_list) request = urllib2.Request(url) #也能夠經過調用Request.add_header() 添加/修改一個特定的header request.add_header("User-Agent", user_agent) # 第一個字母大寫，後面的所有小寫 request.get_header("User-agent") response = urllib2.urlopen(req) html = response.read() print html