1、第 1 页 共 193 页Python爬虫入门三之 Urllib库的基本使用Python 崔庆才 5 个月前 (02-12) 13660 13评论那么接下来，小伙伴们就一起和我真正迈向我们的爬虫之路吧。1.分分钟扒一个网页下来怎样扒网页呢？其实就是根据 URL 来获取它的网页信息，虽然我们在浏览器中看到的是一幅幅优美的画面，但是其实是由浏览器解释才呈现出来的，实质它是一段 HTML 代码，加 JS、CSS，如果把网页比作一个人，那么 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于HTML 中的，下面我们就写个例子来扒一个网页下来。1234import
2、 urllib2response = urllib2.urlopen(“http:/“)print response.read()是的你没看错，真正的程序就两行，把它保存成 demo.py，进入该文件的目录，执行如下命令查看运行结果，感受一下。1python demo.py第 2 页 共 193 页看，这个网页的源码已经被我们扒下来了，是不是很酸爽？2.分析扒网页的方法那么我们来分析这两行代码，第一行1response = urllib2.urlopen(“http:/“)首先我们调用的是 urllib2 库里面的 urlopen 方法，传入一个 URL，这个网址是百度首页，协议是 HTTP
3、协议，当然你也可以把 HTTP 换做 FTP,FILE,HTTPS 等等，只是代表了一种访问控制协议，urlopen 一般接受三个参数，它的参数如下：第 3 页 共 193 页1urlopen(url, data, timeout)第一个参数 url 即为 URL，第二个参数 data 是访问 URL 时要传送的数据，第三个 timeout 是设置超时时间。第二三个参数是可以不传送的，data 默认为空 None，timeout 默认为socket._GLOBAL_DEFAULT_TIMEOUT第一个参数 URL 是必须要传送的，在这个例子里面我们传送了百度的 URL，执行 urlopen 方
4、法之后，返回一个 response 对象，返回信息便保存在这里面。1print response.read()response 对象有一个 read 方法，可以返回获取到的网页内容。如果不加 read 直接打印会是什么？答案如下：1直接打印出了该对象的描述，所以记得一定要加 read 方法，否则它不出来内容可就不怪我咯！3.构造 Requset其实上面的 urlopen 参数可以传入一个 request 请求 ,它其实就是一个 Request 类的实例，构造时需要传入 Url,Data 等等的内容。比如上面的两行代码，我们可以这么改写第 4 页 共 193 页12345import urlli
5、b2request = urllib2.Request(“http:/“)response = urllib2.urlopen(request)print response.read()运行结果是完全一样的，只不过中间多了一个 request 对象，推荐大家这么写，因为在构建请求时还需要加入好多内容，通过构建一个 request，服务器响应请求得到应答，这样显得逻辑上清晰明确。4.POST和 GET数据传送上面的程序演示了最基本的网页抓取，不过，现在大多数网站都是动态网页，需要你动态地传递参数给它，它做出对应的响应。所以，在访问时，我们需要传递数据给它。最常见的情况是什么？对了，就是登录注册的
6、时候呀。把数据用户名和密码传送到一个 URL，然后你得到服务器处理之后的响应，这个该怎么办？下面让我来为小伙伴们揭晓吧！数据传送分为 POST 和 GET 两种方式，两种方式有什么区别呢？最重要的区别是 GET 方式是直接以链接形式访问，链接中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。POST 则不会在网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了，大家可以酌情选择。POST方式：上面我们说了 data 参数是干嘛的？对了，它就是用在这里的，我们传送的数据就是这个参数 data，下面演示一下 POST 方式。1impo
7、rt urllib第 5 页 共 193 页23456789import urllib2values = “username“:““,“password“:“XXXX“data = urllib.urlencode(values) url = “https:/ = urllib2.Request(url,data)response = urllib2.urlopen(request)print response.read()我们引入了 urllib 库，现在我们模拟登陆 CSDN，当然上述代码可能登陆不进去，因为还要做一些设置头部 header 的工作，或者还有一些参数没有设置全，还没有提及到
8、在此就不写上去了，在此只是说明登录的原理。我们需要定义一个字典，名字为 values，参数我设置了 username 和 password，下面利用 urllib 的urlencode 方法将字典编码，命名为 data，构建 request 时传入两个参数，url 和data，运行程序，即可实现登陆，返回的便是登陆后呈现的页面内容。当然你可以自己搭建一个服务器来测试一下。注意上面字典的定义方式还有一种，下面的写法是等价的1234567import urllibimport urllib2values = valuesusername = ““valuespassword = “XXXX“dat
9、a = urllib.urlencode(values) 第 6 页 共 193 页891011url = “http:/ = urllib2.Request(url,data)response = urllib2.urlopen(request)print response.read()以上方法便实现了 POST 方式的传送GET方式：至于 GET 方式我们可以直接把参数写到网址上面，直接构建一个带参数的URL 出来即可。123456789101112import urllibimport urllib2values=valuesusername = ““valuespassword=“XX
10、XX“data = urllib.urlencode(values) url = “http:/ = url + “?“+datarequest = urllib2.Request(geturl)response = urllib2.urlopen(request)print response.read()你可以 print geturl，打印 输出一下 url，发现其实就是原来的 url 加？然后加编码后的参数第 7 页 共 193 页1http:/ MSIE 5.5; Windows NT) 第 9 页 共 193 页67891011values = username : cqc, pas
11、sword : XXXX headers = User-Agent : user_agent data = urllib.urlencode(values) request = urllib2.Request(url, data, headers) response = urllib2.urlopen(request) page = response.read() 这样，我们设置了一个 headers，在构建 request 时传入，在请求时，就加入了headers 传送，服务器若识别了是浏览器发来的请求，就会得到响应。另外，我们还有对付”反盗链”的方式，对付防盗链，服务器会识别 header
12、s 中的referer 是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在headers 中加入 referer例如我们可以构建下面的 headers12headers = User-Agent : Mozilla/4.0 (compatible; MSIE 5.5; Windows NT) ,Referer:http:/ 同上面的方法，在传送请求时把 headers 传入 Request 参数里，这样就能应付防盗链了。另外 headers 的一些属性，下面的需要特别注意一下：User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求Content-T
13、ype : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。application/xml ： 在 XML RPC，如 RESTful/SOAP 调用时使用application/json ： 在 JSON RPC 调用时使用application/x-www-form-urlencoded ： 浏览器提交 Web 表单时使用在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务其他的有必要的可以审查浏览器的 headers 内容，在构建时写入同样的数据即可。第 10 页 共 193 页2
14、. Proxy（代理）的设置urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。假如一个网站它会检测某一段时间某个 IP 的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理，网站君都不知道是谁在捣鬼了，这酸爽！下面一段代码说明了代理的设置用法123456789import urllib2enable_proxy = Trueproxy_handler = urllib2.ProxyHandler(“http“ : http:/some-:8080)null_proxy_handler = url
15、lib2.ProxyHandler()if enable_proxy:opener = urllib2.build_opener(proxy_handler)else:opener = urllib2.build_opener(null_proxy_handler)urllib2.install_opener(opener)3.Timeout 设置上一节已经说过 urlopen 方法了，第三个参数就是 timeout 的设置，可以设置等待多久超时，为了解决一些网站实在响应过慢而造成的影响。例如下面的代码,如果第二个参数 data 为空那么要特别指定是 timeout 是多少，写明形参，如果 data 已经传入，则不必声明。
