Python爬虫入门之Urllib库的基本使用

1.分分钟扒一个网页下来

怎样扒网页呢？其实就是根据URL来获取它的网页信息，虽然咱们在浏览器中看到的是一幅幅优美的画面，可是实际上是由浏览器解释才呈现出来的，实质它是一段HTML代码，加 JS、CSS，若是把网页比做一我的，那么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于HTML中的，下面咱们就写个例子来扒一个网页下来。

import urllib2

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

是的你没看错，真正的程序就两行，把它保存成 demo.py，进入该文件的目录，执行以下命令查看运行结果，感觉一下。

python demo.py

看，这个网页的源码已经被咱们扒下来了，是否是很酸爽？

2.分析扒网页的方法

那么咱们来分析这两行代码，第一行

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

首先咱们调用的是urllib2库里面的urlopen方法，传入一个URL，这个网址是百度首页，协议是HTTP协议，固然你也能够把HTTP换作FTP,FILE,HTTPS 等等，只是表明了一种访问控制协议，urlopen通常接受三个参数，它的参数以下：

urlopen(url, data, timeout)

第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。

第二三个参数是能够不传的，data默认为空None，timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT

第一个参数URL是必需要传送的，在这个例子里面咱们传送了百度的URL，执行urlopen方法以后，返回一个response对象，返回信息便保存在这里面。

print response.read()

若是不加read直接打印会是什么？答案以下：

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

3.构造Request

其实上面的urlopen参数能够传入一个request请求,它其实就是一个Request类的实例，构造时须要传入Url,Data等等的内容。好比上面的两行代码，咱们能够这么改写

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

运行结果是彻底同样的，只不过中间多了一个request对象，推荐你们这么写，由于在构建请求时还须要加入好多内容，经过构建一个request，服务器响应请求获得应答，这样显得逻辑上清晰明确。

4.POST和GET数据传送

上面的程序演示了最基本的网页抓取，不过，如今大多数网站都是动态网页，须要你动态地传递参数给它，它作出对应的响应。因此，在访问时，咱们须要传递数据给它。最多见的状况是什么？对了，就是登陆注册的时候呀。

把数据用户名和密码传送到一个URL，而后你获得服务器处理以后的响应，这个该怎么办？下面让我来为小伙伴们揭晓吧！

数据传送分为POST和GET两种方式，两种方式有什么区别呢？

最重要的区别是GET方式是直接以连接形式访问，连接中包含了全部的参数，固然若是包含了密码的话是一种不安全的选择，不过你能够直观地看到本身提交了什么内容。POST则不会在网址上显示全部的参数，不过若是你想直接查看提交了什么就不太方便了，你们能够酌情选择。

POST方式：

上面咱们说了data参数是干吗的？对了，它就是用在这里的，咱们传送的数据就是这个参数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()

咱们引入了urllib库，如今咱们模拟登录CSDN，固然上述代码可能登录不进去，由于CSDN还有个流水号的字段，没有设置全，比较复杂在这里就不写上去了，在此只是说明登陆的原理。通常的登陆网站通常是这种写法。

咱们须要定义一个字典，名字为values，参数我设置了username和password，下面利用urllib的urlencode方法将字典编码，命名为data，构建request时传入两个参数，url和data，运行程序，返回的即是POST后呈现的页面内容。

注意上面字典的定义方式还有一种，下面的写法是等价的

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：

至于GET方式咱们能够直接把参数写到网址上面，直接构建一个带参数的URL出来便可。

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()

你能够print geturl，打印输出一下url，发现其实就是原来的url加？而后加编码后的参数

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

和咱们日常GET访问方式如出一辙，这样就实现了数据的GET方式传送。