1. 程式人生 > >urllib2模塊的基本使用

urllib2模塊的基本使用

.org get python代碼 方式 希望 library 百度 lang read

urllib2庫的基本使用

所謂網頁抓取,就是把URL地址中指定的網絡資源從網絡流中讀取出來,保存到本地。 在Python中有很多庫可以用來抓取網頁,我們先學習urllib2

urllib2 是 Python2.7 自帶的模塊(不需要下載,導入即可使用)

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 # 導入urllib2 庫 import urllib2 # 向指定的url發送請求,並返回服務器響應的類文件對象 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容,返回字符串 html = response.read() # 打印字符串 print html

執行寫的python代碼,將打印結果

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”,你會發現,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請求對應的python代碼真的非常簡單。

Request

在我們第一個例子裏,urlopen()的參數就是一個url地址;

但是如果需要執行更復雜的操作,比如增加HTTP報頭,必須創建一個 Request 實例來作為urlopen()的參數;而需要訪問的url地址則作為 Request 實例的參數。

我們編輯urllib2_request.py

# urllib2_request.py

import urllib2

# url 作為Request()方法的參數,構造並返回一個Request對象
request = urllib2.Request("http://www.baidu.com
") # Request對象作為urlopen()方法的參數,發送給服務器並接收響應 response = urllib2.urlopen(request) html = response.read() print html

運行結果是完全一樣的:

新建Request實例,除了必須要有 url 參數之外,還可以設置另外兩個參數:

  1. data(默認空):是伴隨 url 提交的數據(比如要post的數據),同時 HTTP 請求將從 "GET"方式 改為 "POST"方式。

  2. headers(默認空):是一個字典,包含了需要發送的HTTP報頭的鍵值對。

這兩個參數下面會說到。

User-Agent

但是這樣直接用urllib2給一個網站發送請求的話,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站,顯然人家就是歡迎的,所以我們就應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 就是互聯網世界上公認被允許的身份,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的瀏覽器。用不同的瀏覽器在發送請求的時候,會有不同的User-Agent頭。 urllib2默認的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裏
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)

# 向服務器發送這個請求
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,來構造一個完整的HTTP請求消息。

可以通過調用Request.add_header() 添加/修改一個特定的header 也可以通過調用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     #可以查看響應狀態碼
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,後面的全部小寫
request.get_header("User-agent")

response = urllib2.urlopen(req)

html = response.read()
print html



urllib2模塊的基本使用