本篇我们将开始学习如何进行网页抓取,更多内容请参考:python学习指南
urllib2库的基本使用
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urllib2
。
urllib2是Python2.x自带的模块(不需要下载,导入即可使用)
urllib2官网文档:https://docs.python.org/2/library/urllib2.html
urllib2源码
urllib2
在python3.x中被改为urllib.request
urlopen
我们先来段代码:
#-*- coding:utf-8 -*-
#01.urllib2_urlopen.py
#导入urllib2库
import urllib2
#向指定的url发送请求,并返回服务器的类文件对象
response = urllib2.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
html = response.read()
#打印字符串
print(html)
执行写好的python代码,将打印结果:
python2 01.urllib2_urlopen.py
实际上,如果我们在浏览器打上百度主页,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的。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
查看官方文档url的用法如下:
urllib2.urlopen(url[, data[, timeout[, cafile[, capath[, cadefault[, context]]]]])
Open the URL url, which can be either a string or a Request object.
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,则必须创建一个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。
#-*- coding:utf-8 -*-
#02.urllib2_request.py
import urllib2
#url作为Request()方法的参数,构造并返回一个Request对象
request = urllib2.Request("http://www.baidu.com")
#Request对象作为一个urlopen()方法的参数,发送给服务器并接收响应
response = urllib2.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:
- 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。
- 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urllib2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。urllib2默认的User-Agent头为:
Python-urllib/x.y
(x和y是Python主版本和次版本号,例如Python-urllib/2.7)
#-*- coding:utf-8 -*-
#03.urllib2_useragent.py
import urllib2
url = "http://www.itcast.cn"
#IE 9.0的User-Agent,包含ua-header里
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 = urllib2.Request(url, headers = ua_header)
#向服务器发送这个请求
response = urllib2.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。
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
#-*- coding:utf-8 -*-
#04.urllib2_headers.py
import urllib2
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 =urllib2.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 = urllib2.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
```python-- coding:utf-8 --
05.urllib2_add_headers.py
import urllib2
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 = urllib2.Request(url)
也可以通过调用Request.add_header()添加/修改一个特定的header
request.add_header("User-Agent", user_agent)
第一个字母大写,后面的全部小写
request.add_header("User-agent")
response = urllib2.urlopen(req)
html = response.read()
print(html)
```
注意
注意:
The urllib2 module has been split across several modules in Python 3 named urllib.request and urllib.error