前言
所谓网页抓取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。在Python中有很多库可以用来抓取网页，我们先学习urllib。
注:此博客开发环境为python3
urlopen
我们先来段代码:
# urllib_urlopen.py
# 导入urllib.request
import urllib.request
# 向指定的url发送请求，并返回服务器响应的类文件对象
response = urllib.request.urlopen("http://www.baidu.com")
# 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
html = response.read()
# 打印字符串
print(html)执行写的python代码，将打印结果:
python3 urllib_urlopen.py
实际上，如果我们在浏览器上打开百度主页， 右键选择“查看源代码”，你会发现，跟我们刚才打印出来的是一模一样。也就是说，上面的4行代码就已经帮我们把百度的首页的全部代码爬了下来。
一个基本的url请求对应的python代码真的非常简单。
Request
在我们第一个例子里，urlopen()的参数就是一个url地址;但是如果需要执行更复杂的操作，比如增加HTTP报头，必须创建一个 Request 实例来作为urlopen()的参数；而需要访问的url地址则作为 Request 实例的参数。
我们编辑urllib_request.py
# urllib_request.py
import urllib.request
# url 作为Request()方法的参数，构造并返回一个Request对象
request = urllib.request.Request("http://www.baidu.com")
# Request对象作为urlopen()方法的参数，发送给服务器并接收响应
response = urllib.request.urlopen(request)
html = response.read()
print(html)运行结果是完全一样的
新建Request实例，除了必须要有 url 参数之外，还可以设置另外两个参数：
1.data（默认空）：是伴随 url 提交的数据（比如要post的数据），同时 HTTP 请求将从 "GET"方式 改为 "POST"方式。
2.headers（默认空）：是一个字典，包含了需要发送的HTTP报头的键值对。
这两个参数下面会说到。User-Agent
但是这样直接用urllib给一个网站发送请求的话，确实略有些唐突了，就好比，人家每家都有门，你以一个路人的身份直接闯进去显然不是很礼貌。而且有一些站点不喜欢被程序（非人为访问）访问，有可能会拒绝你的访问请求。
但是如果我们用一个合法的身份去请求别人网站，显然人家就是欢迎的，所以我们就应该给我们的这个代码加上一个身份，就是所谓的User-Agent头。
浏览器 就是互联网世界上公认被允许的身份，如果我们希望我们的爬虫程序更像一个真实用户，那我们第一步，就是需要伪装成一个被公认的浏览器。用不同的浏览器在发送请求的时候，会有不同的User-Agent头。# urllib_useragent.py
import urllib.request
url = "http://www.baidu.com"
# IE 9.0 的 User-Agent，包含在 ua_header里
# 温馨提示:大家可以自行百度搜索查看各浏览器对应的user-agent
ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
# url 连同 headers，一起构造Request请求，这个请求将附带 IE9.0 浏览器的User-Agent
request = urllib.request.Request(url, headers = ua_header)
# 向服务器发送这个请求
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，来构造一个完整的HTTP请求消息。
可以通过调用Request.add_header() 添加/修改一个特定的header 也可以通过调用Request.get_header()来查看已有的header。- 添加一个特定的header
# urllib_headers.py
import urllib.request
url = "http://www.baidu.com"
#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)
#也可以通过调用Request.add_header() 添加/修改一个特定的header
request.add_header("Connection", "keep-alive")
# 也可以通过调用Request.get_header()来查看header信息
# request.get_header(header_name="Connection")
response = urllib.request.urlopen(request)
print (response.code) #可以查看响应状态码
html = response.read()
print(html)- 随机添加/修改User-Agent
# urllib_useragentlist.py
import urllib.request
import random
url = "http://www.baidu.com/"
# 可以是User-Agent列表，也可以是代理列表
ua_list = [
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10.6; rv2.0.1) Gecko/20100101 Firefox/4.0.1",
"Mozilla/5.0 (Windows NT 6.1; rv2.0.1) Gecko/20100101 Firefox/4.0.1",
"Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; en) Presto/2.8.131 Version/11.11",
"Opera/9.80 (Windows NT 6.1; U; en) Presto/2.8.131 Version/11.11",
"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_0) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11"
]
# 在User-Agent列表里随机选择一个User-Agent
user_agent = random.choice(ua_list)
# 构造一个请求
request = urllib.request.Request(url)
# add_header()方法 添加/修改 一个HTTP报头
request.add_header("User-Agent", user_agent)
# get_header() 获取一个已有的HTTP报头的值，注意只能是第一个字母大写，其他的必须小写
print (request.get_header("User-agent"))
urlencode
import urllib.parse
word = {"wd": "百度"}
# 通过urllib.parse.urlencode()方法，将字典键值对按URL编码转换，从而能被web服务器接受。
a = urllib.parse.urlencode(word)
print(a) # wd=%E7%99%BE%E5%BA%A6
# 通过urllib.parse.urlencode()方法，将字典键值对按URL编码转换，从而能被web服务器接受。
b = urllib.parse.unquote(a)
print(b) # wd=百度
原文地址：https://www.cnblogs.com/woyouyihujiu/p/9379937.html
时间： 2024-11-05 17:28:07