Python爬蟲入門：Urllib庫的基本使用
1.分分鐘扒一個網頁下來
怎樣扒網頁呢？其實就是根據URL來獲取它的網頁信息，雖然我們在瀏覽器中看到的是一幅幅優美的畫面，但是其實是由瀏覽器解釋才呈現出來的，實質它 是一段HTML代碼，加 JS、CSS，如果把網頁比作一個人，那麽HTML便是他的骨架，JS便是他的肌肉，CSS便是它的衣服。所以最重要的部分是存在於HTML中的，下面我 們就寫個例子來扒一個網頁下來。
Python
|
1 2 3 4 |
#設置代理IP #代理IP可以上http://zhimaruanjian.com/獲取 import urllib2
response = urllib2.urlopen("http://www.baidu.com") print response.read() |
是的你沒看錯，真正的程序就兩行，把它保存成 demo.py，進入該文件的目錄，執行如下命令查看運行結果，感受一下。
Python
|
1 |
python demo.py |
看，這個網頁的源碼已經被我們扒下來了，是不是很酸爽？
2.分析扒網頁的方法
那麽我們來分析這兩行代碼，第一行
Python
|
1 |
response = urllib2.urlopen("http://zhimaruanjian.com/") |
首先我們調用的是urllib2庫裏面的urlopen方法，傳入一個URL，這個網址是百度首頁，協議是HTTP協議，當然你也可以把HTTP換做FTP,FILE,HTTPS 等等，只是代表了一種訪問控制
Python
|
1 |
urlopen(url, data, timeout) |
第一個參數url即為URL，第二個參數data是訪問URL時要傳送的數據，第三個timeout是設置超時時間。
第二三個參數是可以不傳送的，data默認為空None，timeout默認為 socket._GLOBAL_DEFAULT_TIMEOUT
第一個參數URL是必須要傳送的，在這個例子裏面我們傳送了百度的URL，執行urlopen方法之後，返回一個response對象，返回信息便保存在這裏面。
Python
|
1 |
print response.read() |
response對象有一個read方法，可以返回獲取到的網頁內容。
如果不加read直接打印會是什麽？答案如下：
Python
|
1 |
<addinfourl at 139728495260376 whose fp = <socket._fileobject object at 0x7f1513fb3ad0>> |
直接打印出了該對象的描述，所以記得一定要加read方法，否則它不出來內容可就不怪我咯！
3.構造Requset
其實上面的urlopen參數可以傳入一個request請求,它其實就是一個Request類的實例，構造時需要傳入Url,Data等等的內容。比如上面的兩行代碼，我們可以這麽改寫
Python
|
1 2 3 4 5 |
import urllib2
request = urllib2.Request("http://zhimaruanjian.com/") response = urllib2.urlopen(request) print response.read() |
運行結果是完全一樣的，只不過中間多了一個request對象，推薦大家這麽寫，因為在構建請求時還需要加入好多內容，通過構建一個request，服務器響應請求得到應答，這樣顯得邏輯上清晰明確。
4.POST和GET數據傳送
上面的程序演示了最基本的網頁抓取，不過，現在大多數網站都是動態網頁，需要你動態地傳遞參數給它，它做出對應的響應。所以，在訪問時，我們需要傳遞數據給它。最常見的情況是什麽？對了，就是登錄註冊的時候呀。
把數據用戶名和密碼傳送到一個URL，然後你得到服務器處理之後的響應，這個該怎麽辦？下面讓我來為小夥伴們揭曉吧！
數據傳送分為POST和GET兩種方式，兩種方式有什麽區別呢？
最重要的區別是GET方式是直接以鏈接形式訪問，鏈接中包含了所有的參數，當然如果包含了密碼的話是一種不安全的選擇，不過你可以直觀地看到自己提交了什麽內容。POST則不會在網址上顯示所有的參數，不過如果你想直接查看提交了什麽就不太方便了，大家可以酌情選擇。
POST方式：
上面我們說了data參數是幹嘛的？對了，它就是用在這裏的，我們傳送的數據就是這個參數data，下面演示一下POST方式。
Python
|
1 2 3 4 5 6 7 8 9 |
import urllib import urllib2
values = {"username":"[email protected]","password":"XXXX"} data = urllib.urlencode(values) url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn" request = urllib2.Request(url,data) response = urllib2.urlopen(request) print response.read() |
我們引入了urllib庫，現在我們模擬登陸CSDN，當然上述代碼可能登陸不進去，因為還要做一些設置頭部header的工作，或者還有一些參數 沒有設置全，還沒有提及到在此就不寫上去了，在此只是說明登錄的原理。我們需要定義一個字典，名字為values，參數我設置了username和 password，下面利用urllib的urlencode方法將字典編碼，命名為data，構建request時傳入兩個參數，url和data，運 行程序，即可實現登陸，返回的便是登陸後呈現的頁面內容。當然你可以自己搭建一個服務器來測試一下。
註意上面字典的定義方式還有一種，下面的寫法是等價的
Python
|
1 2 3 4 5 6 7 8 9 10 11 |
import urllib import urllib2
values = {} values[‘username‘] = "[email protected]" values[‘password‘] = "XXXX" data = urllib.urlencode(values) url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn" request = urllib2.Request(url,data) response = urllib2.urlopen(request) print response.read() |
以上方法便實現了POST方式的傳送
GET方式：
至於GET方式我們可以直接把參數寫到網址上面，直接構建一個帶參數的URL出來即可。
Python
|
1 2 3 4 5 6 7 8 9 10 11 12 |
import urllib import urllib2
values={} values[‘username‘] = "[email protected]" values[‘password‘]="XXXX" data = urllib.urlencode(values) url = "http://passport.csdn.net/account/login" geturl = url + "?"+data request = urllib2.Request(geturl) response = urllib2.urlopen(request) print response.read() |
你可以print geturl，打印輸出一下url，發現其實就是原來的url加？然後加編碼後的參數
Python
|
1 |
http://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX |
和我們平常GET訪問方式一模一樣，這樣就實現了數據的GET方式傳送。
本節講解了一些基本使用，可以抓取到一些基本的網頁信息，小夥伴們加油！
Python爬蟲入門：Urllib庫的基本使用