Python 爬蟲從入門到進階之路（二）

上一篇文章咱們對爬蟲有了一個初步認識，本篇文章咱們開始學習 Python 爬蟲實例。

在 Python 中有不少庫能夠用來抓取網頁，其中內置了 urllib 模塊，該模塊就能實現咱們基本的網頁爬取。

在 Python2.x 和 Python3.x 中 urllib 模塊是不同的，可是用法上差很少，咱們先用 Python2.x 中的 urllib 來實現一個 demo。

在 Python2.x 中內置了 urllib 模塊，可是 Python 創始人 Guido van Rossum 以爲其太臃腫了，因而又寫了一個 urllib2，二者有不少不一樣，最顯著的以下：

（1）urllib僅能夠接受URL，不能建立，設置headers的request類實例；

（2）可是urllib提供urlencode()方法用來GET查詢字符串的產生，而urllib2則沒有（這是urllib和urllib2常常一塊兒使用的主要緣由）

（3）編碼工做使用urllib的urlencode()函數，幫咱們講key:value這樣的鍵值對轉換成‘key=value’這樣的字符串，解碼工做可使用urllib的unquote()

函數

咱們就使用 urllib2 來實現一個簡單的爬蟲：

1 # 導入urllib2 庫
2 import urllib2
3 
4 # 向指定的url發送請求，並返回服務器響應的類文件對象
5 response = urllib2.urlopen("http://www.baidu.com")
6 # 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
7 html = response.read().decode("utf-8")
8 # 打印字符串
9 print(html)

在上面的代碼中咱們其實就至關於模擬了查看百度首頁，而後獲取百度首頁的 html 內容。

urllib2 在 python3.x 中被改成urllib.request,python2.x 的 urllib 和 urllib2 在 python3.x 中合併爲 urllib

在 Python3.x 中實現上面的代碼以下：

1 # 導入urllib 庫
2 import urllib.request
3 
4 # 向指定的url發送請求，並返回服務器響應的類文件對象
5 response = urllib.request.urlopen("http://www.baidu.com")
6 # 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
7 html = response.read().decode("utf-8")
8 # 打印字符串
9 print(html)

最終的打印結果以下，內容太長就截一小段：

歷史的車輪滾滾而來，雖然大部分 Python 使用者還在使用 Python2.x，但 Python3.x 確定有其之長才被髮布的，本人做爲小白，就選取 Python3.x 學習吧。

在咱們上面的例子中，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。

 1 # 導入urllib 庫
 2 import urllib.request
 3 
 4 # url 做爲Request()方法的參數，構造並返回一個Request對象
 5 request = urllib.request.Request("http://www.baidu.com")
 6 # Request對象做爲urlopen()方法的參數，發送給服務器並接收響應
 7 response = urllib.request.urlopen(request)
 8 # 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
 9 html = response.read().decode("utf-8")
10 # 打印字符串
11 print(html)

最終的打印結果一致。

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。

可是這樣直接用 urllib 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。

如今咱們就來加一個 User-Agent 的報頭。

當咱們打開 https://www.baidu.com/，咱們在開發者工具的 Network 下，咱們會找到一個 

User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36

固然還有 Accept，Host，Cookie 等信息，這裏咱們先不考慮，後期會講到。

 1 # 導入urllib 庫
 2 import urllib.request
 3 import ssl
 4 
 5 # 取消代理驗證
 6 ssl._create_default_https_context = ssl._create_unverified_context
 7 # User-Agent
 8 headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"}
 9 # url 做爲Request()方法的參數，構造並返回一個Request對象
10 request = urllib.request.Request("http://www.baidu.com",headers=headers)
11 # Request對象做爲urlopen()方法的參數，發送給服務器並接收響應
12 response = urllib.request.urlopen(request)
13 # 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
14 html = response.read().decode("utf-8")
15 # 打印字符串
16 print(html)

在上面的代碼中，咱們又引入了 ssl 模塊，因爲如今百度使用的是 https 協議，進入頁面須要代理驗證，爲了避免必要的麻煩，咱們乾脆取消代理驗證，因此用到了 ssl 模塊。

而後咱們定義了一個 headers 的變量，即響應頭信息，而後咱們在 Request 的第二個形參中將 headers=headers，這樣咱們在請求 https://www.baidu.com/，就至關於咱們手動在瀏覽器輸入 url 連接是同樣的效果。