所謂網(wǎng)頁(yè)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(lái)，保存到本地。在Python中有很多庫(kù)可以用來(lái)抓取網(wǎng)頁(yè)，我們先學(xué)習(xí)urllib2。

urllib2是Python2.x自帶的模塊(不需要下載，導(dǎo)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(lái)段代碼：

            
#-*- coding:utf-8 -*-
#01.urllib2_urlopen.py
#導(dǎo)入urllib2庫(kù)
import urllib2
#向指定的url發(fā)送請(qǐng)求，并返回服務(wù)器的類文件對(duì)象
response = urllib2.urlopen("http://www.baidu.com")
#類文件對(duì)象支持文件對(duì)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，將打印結(jié)果：

            
python2 01.urllib2_urlopen.py 
          

實(shí)際上，如果我們?cè)跒g覽器打上百度主頁(yè)，右鍵選擇"查看源代碼"，你會(huì)發(fā)現(xiàn)，跟我們剛才打印出來(lái)的是一模一樣的。也就是說，上面的4行代碼就已經(jīng)幫我們把百度的首頁(yè)的全部代碼爬了下來(lái)。
一個(gè)基本的url請(qǐng)求對(duì)應(yīng)的python代碼真的非常簡(jiǎn)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(gè)例子里，urlopen()的參數(shù)就是一個(gè)url地址;

但是如果需要執(zhí)行更復(fù)雜的操作，比如增加http報(bào)頭，則必須創(chuàng)建一個(gè)Request實(shí)例來(lái)作為urlopen()的參數(shù);而需要訪問的url地址則作為Request實(shí)例的參數(shù)。

            
#-*- coding:utf-8 -*-
#02.urllib2_request.py

import urllib2

#url作為Request()方法的參數(shù)，構(gòu)造并返回一個(gè)Request對(duì)象
request = urllib2.Request("http://www.baidu.com")

#Request對(duì)象作為一個(gè)urlopen()方法的參數(shù)，發(fā)送給服務(wù)器并接收響應(yīng)
response = urllib2.urlopen(request)

html = response.read()

print(html)
          

運(yùn)行結(jié)果是完全一樣的：

新建Request實(shí)例，除了必須要有url參數(shù)之外，還可以設(shè)置另外兩個(gè)參數(shù)：

data(默認(rèn)空)：是伴隨url提交的數(shù)據(jù)(比如要post的數(shù)據(jù))，同時(shí)HTTP請(qǐng)求將從"GET"方式改為"POST"方式。
headers(默認(rèn)空)：是一個(gè)字典，包含了需要發(fā)送的HTTP報(bào)頭的鍵值對(duì)。
這兩個(gè)參數(shù)下面會(huì)說到。

User-Agent

但是這樣直接用urllib2給一個(gè)網(wǎng)站發(fā)送請(qǐng)求的話，確實(shí)略有些唐突了，就好比，人家每家都有門，你以一個(gè)路人的身份直接闖進(jìn)去顯然不是很禮貌。而且有一些站點(diǎn)不喜歡被程序(非人為訪問)訪問，有可能會(huì)拒絕你的訪問請(qǐng)求。

但是如果我們用一個(gè)合法的身份去請(qǐng)求別人網(wǎng)站，顯然人家就是歡迎的，所以我們就應(yīng)該給我們的這個(gè)代碼加上一個(gè)身份，就是所謂的User-Agent頭。

瀏覽器就是互聯(lián)網(wǎng)世界公認(rèn)被允許的身份，如果我們希望我們的爬蟲程序更像一個(gè)真實(shí)用戶，那我們第一步，就是需要偽裝成一個(gè)被公認(rèn)的瀏覽器。用不同的瀏覽器在發(fā)送請(qǐng)求的時(shí)候，會(huì)有不同的User-Agent頭。urllib2默認(rèn)的User-Agent頭為：Python-urllib/x.y(x和y是Python主版本和次版本號(hào)，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(qǐng)求，這個(gè)請(qǐng)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(gè)請(qǐng)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，來(lái)構(gòu)造一個(gè)完整的HTTP請(qǐng)求。

可以通過調(diào)用Request.add_header()添加/修改一個(gè)特定的header也可以通過調(diào)用Request.get_header()來(lái)查看已有的header。

添加一個(gè)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(gè)特定的header
request.add_header("Connection","keep-alive")

#也可以通過調(diào)用Request.get_header()來(lái)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(jī)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(gè)特定的header
request.add_header("User-Agent", user_agent)

#第一個(gè)字母大寫，后面的全部小寫
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?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。