urllib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，保存到本地。 在Python中有很多庫可以用來抓取網(wǎng)頁，我們先學(xué)習(xí)urllib。

urlopen方法的使用

# 導(dǎo)入urllib.request 庫
import urllib.request

# 向指定的url發(fā)送請求，并返回服務(wù)器響應(yīng)的類文件對象
response = urllib.request.urlopen("http://www.baidu.com")

print(type(response))

# 類文件對象支持文件對象的操作方法，如read()方法讀取文件全部內(nèi)容，返回字符串
html = response.read()

# 打印響應(yīng)結(jié)果（betys類型）
print (html)
# 打印狀態(tài)碼
print (response.status)
# 獲取響應(yīng)頭
print (response.getheaders())
# 獲取響應(yīng)頭信息
print (response.getheader('Server'))
# 獲取響應(yīng)結(jié)果原因
print (response.reason)

執(zhí)行寫的Python代碼，并打印結(jié)果

python3 urllib_request.py

實際上，如果我們在瀏覽器上打開百度主頁， 右鍵選擇“查看源代碼”，你會發(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的全部代碼爬了下來。
包含如下常用參數(shù)
url:設(shè)置目標(biāo)url
data:如果設(shè)置該參數(shù)，則請求默認(rèn)為post請求
timeout：用于設(shè)置超時時間，單位為秒
context：必須是一個ssl.SSLContext類型,用來指定SSL設(shè)置,忽略未認(rèn)證的CA證書．
一個基本的url請求對應(yīng)的python代碼真的非常簡單。

Request

在我們第一個例子里，urlopen()的參數(shù)就是一個url地址；
但是如果需要執(zhí)行更復(fù)雜的操作，比如增加HTTP報頭，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)。

我們編輯urllib_request.py

# urllib_request.py

import urllib.request

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

# Request對象作為urlopen()方法的參數(shù)，發(fā)送給服務(wù)器并接收響應(yīng)
response = urllib.request.urlopen(request)

#將獲取到的頁面源碼，轉(zhuǎn)為字符串
html = response.read().decode('utf-8')

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，還可以設(shè)置另外兩個參數(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 HTTP 請求將從 "GET"方式 改為 "POST"方式。
headers（默認(rèn)空）：是一個字典，包含了需要發(fā)送的HTTP報頭的鍵值對。
這兩個參數(shù)下面會說到。

User-Agent

但是這樣直接用urllib給一個網(wǎng)站發(fā)送請求的話，確實略有些唐突了，就好比，人家每家都有門，你以一個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。
但是如果我們用一個合法的身份去請求別人網(wǎng)站，顯然人家就是歡迎的，所以我們就應(yīng)該給我們的這個代碼加上一個身份，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真實用戶，那我們第一步，就是需要偽裝成一個被公認(rèn)的瀏覽器。用不同的瀏覽器在發(fā)送請求的時候，會有不同的User-Agent頭。 urllib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,例如 Python-urllib/3.5）

import urllib.request as request

#http://www.httpbin.org/get為自帶的測試url,可以返回我們請求服務(wù)器時的相關(guān)參數(shù)
url = "http://www.httpbin.org/get"

#谷歌瀏覽器的User-Agent，包含在 ua_header里
ua_header = {"User-Agent" : "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36",}

# url 連同 headers，一起構(gòu)造Request請求，這個請求將附帶谷歌瀏覽器的User-Agent
req = request.Request(url, headers = ua_header)

# 向服務(wù)器發(fā)送這個請求
response = request.urlopen(req)

html = response.read().decode('utf-8')
print (html)

添加更多的Header信息

在 HTTP Request 中加入特定的 Header，來構(gòu)造一個完整的HTTP請求消息。
1. 可以通過調(diào)用Request.add_header() 添加/修改一個特定的header
2. 也可以通過調(diào)用Request.get_header()來查看已有的header。

添加一個特定的header

import urllib.request as request

url = "http://www.httpbin.org/get"

#谷歌瀏覽器的User-Agent，包含在 ua_header里
ua_header = {"User-Agent" : "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36",}

# url 連同 headers，一起構(gòu)造Request請求，這個請求將附帶谷歌瀏覽器的User-Agent
req = request.Request(url, headers = ua_header)

#也可以通過調(diào)用request.add_header() 添加/修改一個特定的header
req.add_header("Refere", "http://www.baidu.com")

# 也可以通過調(diào)用request.get_header()來查看header信息
print(req.get_header('Refere'))

response = request.urlopen(req)

print (response.code) #可以查看響應(yīng)狀態(tài)碼
html = response.read().decode('utf-8')
print (html)