1、使用python的库urllib2，用到urlopen和Request方法。
2、方法urlopen原形
urllib2.urlopen(url[, data][, timeout])
其中：
url表示目标网页地址，可以是字符串，也可以是请求对象Request
data表示post方式提交给目标服务器的参数
timeout表示超时时间设置
改方法返回一个类似文件的对象，有geturl()、info()、read()方法其中geturl()返回连接地址，info()返回网页信息。
要获取网页内容可以使用read()方法，read也可以带参数，表示读取内容的大小（字节）。
例子：
[python] view plaincopy
- >>> import urllib2
- >>> socket = urllib2.urlopen("http://www.baidu.com")
- >>> content = socket.read()
- >>> socket.close()
这样，网页的内容（content）就爬下来了，但是有些网站禁止爬虫，如果直接请求会出现以下错误：
urllib2.HTTPError: HTTP Error 403: Forbidden
解决方法是可以在请求加上头信息，伪装成浏览器的访问行为，需要用到Request方法：
3、方法Request原型
urllib2.Request(url[,
data][, headers][, origin_req_host][, unverifiable])其中：
url表示目标网页地址，可以是字符串，也可以是请求对象Request
data表示post方式提交给目标服务器的参数
headers表示用户标识，是一
个字典类型的数据，有些不允许脚本的抓取，所以需要用户代理，像火狐浏览器的代理就是类似：Mozilla/5.0 (X11; U; Linux
i686)Gecko/20071127 Firefox/2.0.0.11 浏览器的标准UA格式为：浏览器标识 (操作系统标识; 加密等级标识;
浏览器语言) 渲染引擎标识 版本信息 ，headers默认是Python-urllib/2.6
origin_req_host表示请求方的主机域名或者ip地址
看一个例子：
[python] view plaincopy
- >>> headers = {‘User-Agent‘:‘Mozilla/5.0 (X11; U; Linux i686)Gecko/20071127 Firefox/2.0.0.11‘}
- >>> req = urllib2.Request(url="http://blog.csdn.net/deqingguo",headers=headers)
- >>> socket = urllib2.urlopen(req)
- >>> content = socket.read()
- >>> socket.close()
列子2：
import urllib2 as ul
url = ‘http://www.dd.com/products?selected.classification=Primary+antibodies&selected.researchAreas=Metabolism--Types+of+disease--Cancer‘
headers = {‘User-Agent‘:‘Mozilla/5.0 (X11; U; Linux i686)Gecko/20071127 Firefox/2.0.0.11‘}
req = ul.Request(url,headers=headers)
f = ul.urlopen( req )
content = f.read();
print f.getcode();
[python] view plaincopy
- <pre></pre>
- <p></p>
- <pre></pre>