python爬蟲學習筆記 1.7 （urllib模塊的基本使用）

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)