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，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)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
import urllib2
# 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 = urllib2.urlopen("http://www.baidu.com")
# 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內(nèi)容，返回字符串
html = response.read()
# 打印字符串
print html
執(zhí)行寫的python代碼，將打印結(jié)果
Power@PowerMac ~$: python urllib2_urlopen.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。
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Request對象
request = urllib2.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 = 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，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urllib2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。 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,例如 Python-urllib/2.7）
#urllib2_useragent.py
import urllib2
url = "http://www.itcast.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請求，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，來構(gòu)造一個完整的HTTP請求消息。
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。
- 添加一個特定的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
- 隨機添加/修改User-Agent
# 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，后面的全部小寫
request.get_header("User-agent")
response = urllib2.urlopen(req)
html = response.read()
print html
