本篇我們將開始學習如何進行網(wǎng)頁抓取胯究，更多內(nèi)容請參考:python學習指南
urllib2庫的基本使用
所謂網(wǎng)頁抓取，就是把URL地址中指定的網(wǎng)絡(luò)資源從網(wǎng)絡(luò)流中讀取出來敲街，保存到本地春感。在Python中有很多庫可以用來抓取網(wǎng)頁整葡，我們先學習urllib2。
urllib2是Python2.x自帶的模塊(不需要下載良姆，導入即可使用)
urllib2官網(wǎng)文檔：https://docs.python.org/2/library/urllib2.html
urllib2源碼
urllib2在python3.x中被改為urllib.request
urlopen
我們先來段代碼：
#-*- coding:utf-8 -*-
#01.urllib2_urlopen.py
#導入urllib2庫
import urllib2
#向指定的url發(fā)送請求肠虽，并返回服務(wù)器的類文件對象
response = urllib2.urlopen("http://www.baidu.com")
#類文件對象支持文件對象的操作方法，如read()方法讀取文件
html = response.read()
#打印字符串
print(html)
執(zhí)行寫好的python代碼玛追，將打印結(jié)果：
python2 01.urllib2_urlopen.py
實際上税课，如果我們在瀏覽器打上百度主頁，右鍵選擇"查看源代碼"痊剖，你會發(fā)現(xiàn)韩玩，跟我們剛才打印出來的是一模一樣的。也就是說陆馁，上面的4行代碼就已經(jīng)幫我們把百度的首頁的全部代碼爬了下來找颓。
一個基本的url請求對應(yīng)的python代碼真的非常簡單。
Request
查看官方文檔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.
在我們第一個例子里叮贩，urlopen()的參數(shù)就是一個url地址;
但是如果需要執(zhí)行更復雜的操作叮雳，比如增加http報頭想暗，則必須創(chuàng)建一個Request實例來作為urlopen()的參數(shù);而需要訪問的url地址則作為Request實例的參數(shù)。
#-*- coding:utf-8 -*-
#02.urllib2_request.py
import urllib2
#url作為Request()方法的參數(shù)帘不，構(gòu)造并返回一個Request對象
request = urllib2.Request("http://www.baidu.com")
#Request對象作為一個urlopen()方法的參數(shù)说莫，發(fā)送給服務(wù)器并接收響應(yīng)
response = urllib2.urlopen(request)
html = response.read()
print(html)
運行結(jié)果是完全一樣的：
新建Request實例，除了必須要有url參數(shù)之外寞焙，還可以設(shè)置另外兩個參數(shù)：
- data(默認空)：是伴隨url提交的數(shù)據(jù)(比如要post的數(shù)據(jù))储狭，同時HTTP請求將從"GET"方式改為"POST"方式。
- headers(默認空)：是一個字典捣郊，包含了需要發(fā)送的HTTP報頭的鍵值對辽狈。
這兩個參數(shù)下面會說到。
User-Agent
但是這樣直接用urllib2給一個網(wǎng)站發(fā)送請求的話呛牲，確實略有些唐突了刮萌，就好比，人家每家都有門娘扩，你以一個路人的身份直接闖進去顯然不是很禮貌着茸。而且有一些站點不喜歡被程序(非人為訪問)訪問，有可能會拒絕你的訪問請求琐旁。
但是如果我們用一個合法的身份去請求別人網(wǎng)站涮阔，顯然人家就是歡迎的，所以我們就應(yīng)該給我們的這個代碼加上一個身份灰殴，就是所謂的User-Agent頭敬特。
- 瀏覽器就是互聯(lián)網(wǎng)世界公認被允許的身份，如果我們希望我們的爬蟲程序更像一個真實用戶牺陶，那我們第一步伟阔，就是需要偽裝成一個被公認的瀏覽器。用不同的瀏覽器在發(fā)送請求的時候掰伸，會有不同的User-Agent頭减俏。urllib2默認的User-Agent頭為：
Python-urllib/x.y(x和y是Python主版本和次版本號，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連同headers,一起構(gòu)造Request請求碱工，這個請求將附帶IE9.0瀏覽器的User-Agent
request = urllib2.Request(url, headers = ua_header)
#向服務(wù)器發(fā)送這個請求
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娃承，來構(gòu)造一個完整的HTTP請求。
可以通過調(diào)用
Request.add_header()添加/修改一個特定的header也可以通過調(diào)用Request.get_header()來查看已有的header怕篷。
- 添加一個特定的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)
#也可以通過調(diào)用Request.add_header()添加/修改一個特定的header
request.add_header("Connection","keep-alive")
#也可以通過調(diào)用Request.get_header()來查看header信息
request.get_header(header_name = "Connection")
response = urllib2.urlopen(request)
print(response.code) #可以查看響應(yīng)狀態(tài)碼
html = response.read()
print(html)
- 隨機添加/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)
#也可以通過調(diào)用Request.add_header()添加/修改一個特定的header
request.add_header("User-Agent", user_agent)
#第一個字母大寫历筝，后面的全部小寫
request.add_header("User-agent")
response = urllib2.urlopen(req)
html = response.read()
print(html)
注意
注意：
The urllib2 module has been split across several modules in Python 3 named urllib.request and urllib.error
