Python爬蟲入門之Urllib庫的基本使用

1.分分鐘扒一個網頁下來

怎樣扒網頁呢？其實就是根據URL來獲取它的網頁信息，雖然咱們在瀏覽器中看到的是一幅幅優美的畫面，可是實際上是由瀏覽器解釋才呈現出來的，實質它是一段HTML代碼，加 JS、CSS，若是把網頁比做一我的，那麼HTML即是他的骨架，JS即是他的肌肉，CSS即是它的衣服。因此最重要的部分是存在於HTML中的，下面咱們就寫個例子來扒一個網頁下來。

import urllib2

response = urllib2.urlopen("http://www.baidu.com")
print response.read()

是的你沒看錯，真正的程序就兩行，把它保存成 demo.py，進入該文件的目錄，執行以下命令查看運行結果，感覺一下。

python demo.py

看，這個網頁的源碼已經被咱們扒下來了，是否是很酸爽？

2.分析扒網頁的方法

那麼咱們來分析這兩行代碼，第一行

response = urllib2.urlopen("http://www.baidu.com")

首先咱們調用的是urllib2庫裏面的urlopen方法，傳入一個URL，這個網址是百度首頁，協議是HTTP協議，固然你也能夠把HTTP換作FTP,FILE,HTTPS 等等，只是表明了一種訪問控制協議，urlopen通常接受三個參數，它的參數以下：

urlopen(url, data, timeout)

第一個參數url即爲URL，第二個參數data是訪問URL時要傳送的數據，第三個timeout是設置超時時間。

第二三個參數是能夠不傳的，data默認爲空None，timeout默認爲 socket._GLOBAL_DEFAULT_TIMEOUT

第一個參數URL是必需要傳送的，在這個例子裏面咱們傳送了百度的URL，執行urlopen方法以後，返回一個response對象，返回信息便保存在這裏面。

print response.read()

若是不加read直接打印會是什麼？答案以下：

<addinfourl at 139728495260376 whose fp = <socket._fileobject object at 0x7f1513fb3ad0>>

3.構造Request

其實上面的urlopen參數能夠傳入一個request請求,它其實就是一個Request類的實例，構造時須要傳入Url,Data等等的內容。好比上面的兩行代碼，咱們能夠這麼改寫

import urllib2
request = urllib2.Request("http://www.baidu.com")
response = urllib2.urlopen(request)
print response.read()

運行結果是徹底同樣的，只不過中間多了一個request對象，推薦你們這麼寫，由於在構建請求時還須要加入好多內容，經過構建一個request，服務器響應請求獲得應答，這樣顯得邏輯上清晰明確。

4.POST和GET數據傳送

上面的程序演示了最基本的網頁抓取，不過，如今大多數網站都是動態網頁，須要你動態地傳遞參數給它，它作出對應的響應。因此，在訪問時，咱們須要傳遞數據給它。最多見的狀況是什麼？對了，就是登陸註冊的時候呀。

把數據用戶名和密碼傳送到一個URL，而後你獲得服務器處理以後的響應，這個該怎麼辦？下面讓我來爲小夥伴們揭曉吧！

數據傳送分爲POST和GET兩種方式，兩種方式有什麼區別呢？

最重要的區別是GET方式是直接以連接形式訪問，連接中包含了全部的參數，固然若是包含了密碼的話是一種不安全的選擇，不過你能夠直觀地看到本身提交了什麼內容。POST則不會在網址上顯示全部的參數，不過若是你想直接查看提交了什麼就不太方便了，你們能夠酌情選擇。

POST方式：

上面咱們說了data參數是幹嗎的？對了，它就是用在這裏的，咱們傳送的數據就是這個參數data，下面演示一下POST方式。

import urllib
import urllib2

values = {"username":"1016903103@qq.com","password":"XXXX"}
data = urllib.urlencode(values) 
url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
request = urllib2.Request(url,data)
response = urllib2.urlopen(request)
print response.read()

咱們引入了urllib庫，如今咱們模擬登錄CSDN，固然上述代碼可能登錄不進去，由於CSDN還有個流水號的字段，沒有設置全，比較複雜在這裏就不寫上去了，在此只是說明登陸的原理。通常的登陸網站通常是這種寫法。

咱們須要定義一個字典，名字爲values，參數我設置了username和password，下面利用urllib的urlencode方法將字典編碼，命名爲data，構建request時傳入兩個參數，url和data，運行程序，返回的即是POST後呈現的頁面內容。

注意上面字典的定義方式還有一種，下面的寫法是等價的

import urllib
import urllib2

values = {}
values['username'] = "1016903103@qq.com"
values['password'] = "XXXX"
data = urllib.urlencode(values) 
url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
request = urllib2.Request(url,data)
response = urllib2.urlopen(request)
print response.read()

GET方式：

至於GET方式咱們能夠直接把參數寫到網址上面，直接構建一個帶參數的URL出來便可。

import urllib
import urllib2

values={}
values['username'] = "1016903103@qq.com"
values['password']="XXXX"
data = urllib.urlencode(values) 
url = "http://passport.csdn.net/account/login"
geturl = url + "?"+data
request = urllib2.Request(geturl)
response = urllib2.urlopen(request)
print response.read()

你能夠print geturl，打印輸出一下url，發現其實就是原來的url加？而後加編碼後的參數

http://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX

和咱們日常GET訪問方式如出一轍，這樣就實現了數據的GET方式傳送。