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中有很多库可以用来抓取网页,我们先学习urllib2。
urllib2是Python2.x自带的模块(不需要下载,导入即可使用)
urllib2官网文档:https://docs.python.org/2/library/urllib2.html
urllib2源码
urllib2在python3.x中被改为urllib.request
urlopen
我们先来段代码:
#-*- coding:utf-8 -*- #01.urllib2_urlopen.py #导入urllib2库 import urllib2 #向指定的url发送请求,并返回服务器的类文件对象 response = urllib2.urlopen("http://www.baidu.com") #类文件对象支持文件对象的操作方法,如read()方法读取文件 html = response.read() #打印字符串 print(html)
执行写好的python代码,将打印结果:
python2 01.urllib2_urlopen.py
实际上,如果我们在浏览器打上百度主页,右键选择"查看源代码",你会发现,跟我们刚才打印出来的是一模一样的。也就是说,上面的4行代码就已经帮我们把百度的首页的全部代码爬了下来。
一个基本的url请求对应的python代码真的非常简单。
Request
查看官方文档url的用法如下:
urllib2.urlopen(url[, data[, timeout[, cafile[, capath[, cadefault[, context]]]]]) Open the URL url, which can be either a string or a Request object.
在我们第一个例子里,urlopen()的参数就是一个url地址;
但是如果需要执行更复杂的操作,比如增加http报头,则必须创建一个Request实例来作为urlopen()的参数;而需要访问的url地址则作为Request实例的参数。
#-*- coding:utf-8 -*- #02.urllib2_request.py import urllib2 #url作为Request()方法的参数,构造并返回一个Request对象 request = urllib2.Request("http://www.baidu.com") #Request对象作为一个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)
运行结果是完全一样的:
新建Request实例,除了必须要有url参数之外,还可以设置另外两个参数:
data(默认空):是伴随url提交的数据(比如要post的数据),同时HTTP请求将从"GET"方式改为"POST"方式。
headers(默认空):是一个字典,包含了需要发送的HTTP报头的键值对。
这两个参数下面会说到。
User-Agent
但是这样直接用urllib2给一个网站发送请求的话,确实略有些唐突了,就好比,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。而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。
但是如果我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,所以我们就应该给我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公认被允许的身份,如果我们希望我们的爬虫程序更像一个真实用户,那我们第一步,就是需要伪装成一个被公认的浏览器。用不同的浏览器在发送请求的时候,会有不同的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)
#-*- coding:utf-8 -*- #03.urllib2_useragent.py import urllib2 url = "http://www.itcast.cn" #IE 9.0的User-Agent,包含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,一起构造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。
可以通过调用Request.add_header()添加/修改一个特定的header也可以通过调用Request.get_header()来查看已有的header。
添加一个特定的header
#-*- coding:utf-8 -*- #04.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) #也可以通过调用Request.add_header()添加/修改一个特定的header request.add_header("Connection","keep-alive") #也可以通过调用Request.get_header()来查看header信息 request.get_header(header_name = "Connection") response = urllib2.urlopen(request) print(response.code) #可以查看响应状态码 html = response.read() print(html) 随机添加/修改User-Agent #-*- coding:utf-8 -*- #05.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) #也可以通过调用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,后面的全部小写 request.add_header("User-agent") response = urllib2.urlopen(req) html = response.read() print(html)
注意
The urllib2 module has been split across several modules in Python 3 named urllib.request and urllib.error
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。
Python爬虫 urllib2的使用方法详解
- Author -
那时的小镇声明:登载此文出于传递更多信息之目的,并不意味着赞同其观点或证实其描述。
Reply on: @reply_date@
@reply_contents@