爬虫之urllib2库的基本使用

urllib2库的基本使用

所谓网页抓取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。 在Python中有不少库能够用来抓取网页，咱们先学习urllib2。

urllib2 是 Python2.7 自带的模块(不须要下载，导入便可使用)

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

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

urllib2 在 python3.x 中被改成urllib.request

urlopen

咱们先来段代码：

# urllib2_urlopen.py # 导入urllib2 库 import urllib2 # 向指定的url发送请求，并返回服务器响应的类文件对象 response = urllib2.urlopen("http://www.baidu.com") # 类文件对象支持 文件对象的操做方法，如read()方法读取文件所有内容，返回字符串 html = response.read() # 打印字符串 print html 

执行写的python代码，将打印结果

Power@PowerMac ~$: python urllib2_urlopen.py

实际上，若是咱们在浏览器上打开百度主页， 右键选择“查看源代码”，你会发现，跟咱们刚才打印出来的是如出一辙。也就是说，上面的4行代码就已经帮咱们把百度的首页的所有代码爬了下来。

一个基本的url请求对应的python代码真的很是简单。

Request

在咱们第一个例子里，urlopen()的参数就是一个url地址；

可是若是须要执行更复杂的操做，好比增长HTTP报头，必须建立一个 Request 实例来做为urlopen()的参数；而须要访问的url地址则做为 Request 实例的参数。

咱们编辑urllib2_request.py

# urllib2_request.py import urllib2 # url 做为Request()方法的参数，构造并返回一个Request对象 request = urllib2.Request("http://www.baidu.com") # Request对象做为urlopen()方法的参数，发送给服务器并接收响应 response = urllib2.urlopen(request) html = response.read() print html 

运行结果是彻底同样的：

新建Request实例，除了必需要有 url 参数以外，还能够设置另外两个参数：

1. data（默认空）：是伴随 url 提交的数据（好比要post的数据），同时 HTTP 请求将从 "GET"方式 改成 "POST"方式。

2. headers（默认空）：是一个字典，包含了须要发送的HTTP报头的键值对。

这两个参数下面会说到。

User-Agent

可是这样直接用urllib2给一个网站发送请求的话，确实略有些唐突了，就比如，人家每家都有门，你以一个路人的身份直接闯进去显然不是很礼貌。并且有一些站点不喜欢被程序（非人为访问）访问，有可能会拒绝你的访问请求。

可是若是咱们用一个合法的身份去请求别人网站，显然人家就是欢迎的，因此咱们就应该给咱们的这个代码加上一个身份，就是所谓的User-Agent头。

• 浏览器 就是互联网世界上公认被容许的身份，若是咱们但愿咱们的爬虫程序更像一个真实用户，那咱们第一步，就是须要假装成一个被公认的浏览器。用不一样的浏览器在发送请求的时候，会有不一样的User-Agent头。 urllib2默认的User-Agent头为：Python-urllib/x.y（x和y是Python主版本和次版本号,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里 ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"} # url 连同 headers，一块儿构造Request请求，这个请求将附带 IE9.0 浏览器的User-Agent request = urllib2.Request(url, headers = ua_header) # 向服务器发送这个请求 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，来构造一个完整的HTTP请求消息。

能够经过调用Request.add_header() 添加/修改一个特定的header 也能够经过调用Request.get_header()来查看已有的header。

• 添加一个特定的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) #也能够经过调用Request.add_header() 添加/修改一个特定的header request.add_header("Connection", "keep-alive") # 也能够经过调用Request.get_header()来查看header信息 # request.get_header(header_name="Connection") response = urllib2.urlopen(req) print response.code #能够查看响应状态码 html = response.read() print html 

• 随机添加/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) #也能够经过调用Request.add_header() 添加/修改一个特定的header request.add_header("User-Agent", user_agent) # 第一个字母大写，后面的所有小写 request.get_header("User-agent") response = urllib2.urlopen(req) html = response.read() print html