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，保存到本地。 在Python中有很多庫(kù)可以用來抓取網(wǎng)頁(yè)，我們先學(xué)習(xí)urllib2
。
urllib2 是 Python2.7 自帶的模塊(不需要下載，導(dǎo)入即可使用)
urllib2 官方文檔：https://docs.python.org/2/library/urllib2.html
urllib2 源碼：https://hg.python.org/cpython/file/2.7/Lib/urllib2.py

urllib2在 python3.x 中被改為urllib.request

urlopen

我們先來段代碼：

# 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)器響應(yīng)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()方法讀取文件全部?jī)?nèi)容，返回字符串
html = response.read()

# 打印字符串
print html

實(shí)際上，如果我們?cè)跒g覽器上打開百度主頁(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的是一模一樣。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。
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

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，必須創(chuàng)建一個(gè) Request 實(shí)例來作為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)。
我們編輯urllib2_request.py

# 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)世界上公認(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）

#urllib2_useragent.py
import urllib2
url = "http://www.baidu.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 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，來構(gòu)造一個(gè)完整的HTTP請(qǐng)求消息。
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()
來查看已有的header。

• 添加一個(gè)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()來查看header信息# request.get_header(header_name="Connection")
response = urllib2.urlopen(req)

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

# urllib2_add_headers.py
import urllib2
import random

url = "http://www.baidu.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.get_header("User-agent")

response = urllib2.urlopen(req)

html = response.read()

print html