python爬蟲學習筆記 1.7 (urllib模塊的基本使用)
urllib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urllib。
在 python2 中,urllib 被分爲urllib,urllib2等
urlopen
我們先來段代碼:
# urllib_request.py
# 導入urllib.request 庫
import urllib.request
# 向指定的url發送請求,並返回服務器響應的類文件對象
response = urllib.request.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 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”,你會發現,跟我們剛纔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 實例來作爲urlopen()的參數;而需要訪問的url地址則作爲 Request 實例的參數。
我們編輯urllib_request.py
# urllib_request.py
import urllib.request
# url 作爲Request()方法的參數,構造並返回一個Request對象
request = urllib.request.Request("http://www.baidu.com")
# Request對象作爲urlopen()方法的參數,發送給服務器並接收響應
response = urllib.request.urlopen(request)
html = response.read().decode()
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:
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 改爲 "POST"方式。
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urllib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(非人爲訪問)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,就是需要僞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。
urllib默認的User-Agent頭爲:Python- urllib/x.y
(x和y是Python主版本和次版本號,例如 Python-urllib/2.7)
#urllib_request.py
import urllib.request
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 = urllib.request.Request(url, headers = ua_header)
# 向服務器發送這個請求
response = urllib.request.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
# urllib_headers.py
import urllib.request
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 = urllib.request.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 = urllib.request.urlopen(request)
print (response.code) #可以查看響應狀態碼
html = response.read().decode()
print (html)
- 隨機添加/修改User-Agent
# urllib_add_headers.py
import urllib
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 = urllib.request.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)
# get_header()的字符串參數,第一個字母大寫,後面的全部小寫
request.get_header("User-agent")
response = urllib.request.urlopen(requestr)
html = response.read()
print (html)