【本文原创于Paul的博客园技术博客。】
【本文欢迎转载，转载请以链接形式注明出处。】
【本博客所有文章都经博主精心整理，请尊重我的劳动成果。】
【Pyhton】
网络爬虫初级
首先，我们来看一个Python抓取网页的库：urllib或urllib2。
那么urllib与urllib2有什么区别呢？
可以把urllib2当作urllib的扩增，比较明显的优势是urllib2.urlopen()可以接受Request对象作为参数，从而可以控制HTTP
Request的header部。
做HTTP
Request时应当尽量使用urllib2库，但是urllib.urlretrieve()函数以及urllib.quote等一系列quote和unquote功能没有被加入urllib2中，因此有时也需要urllib的辅助。
urllib.open()这里传入的参数要遵循一些协议，比如http，ftp，file等。例如：
urllib.open(‘http://www.baidu.com‘)
urllib.open(‘file:D\Python\Hello.py‘)
现在有一个例子，下载一个网站上所有gif格式的图片。那么Python代码如下：
1 import re
2 import urllib
3
4 def getHtml(url):
5 page = urllib.urlopen(url)
6 html = page.read()
7 return html
8
9 def getImg(html):
10 reg = r‘src="(.*?\.gif)"‘
11 imgre = re.compile(reg)
12 imgList = re.findall(imgre,html)
13 print imgList
14 cnt = 1
15 for imgurl in imgList:
16 urllib.urlretrieve(imgurl,‘%s.jpg‘ %cnt)
17 cnt += 1
18
19 if __name__ == ‘__main__‘:
20 html = getHtml(‘http://www.baidu.com‘)
21 getImg(html)
根据上面的方法，我们可以抓取一定的网页，然后提取我们所需要的数据。
实际上，我们利用urllib这个模块来做网络爬虫效率是极其低下的，下面我们来介绍Tornado Web Server。
Tornado web
server是使用Python编写出来的一个极轻量级、高可伸缩性和非阻塞IO的Web服务器软件，著名的Friendfeed网站就是使用它搭建的。Tornado跟其他主流的Web服务器框架（主要是Python框架）不同是采用epoll非阻塞IO，响应快速，可处理数千并发连接，特别适用用于实时的Web服务。
用Tornado Web Server来抓取网页效率会比较高。
从Tornado的官网来看，还要安装backports.ssl_match_hostname，官网如下：
http://www.tornadoweb.org/en/stable/
1 import tornado.httpclient
2
3 def Fetch(url):
4 http_header = {‘User-Agent‘ : ‘Chrome‘}
5 http_request = tornado.httpclient.HTTPRequest(url=url,method=‘GET‘,headers=http_header,connect_timeout=200,request_timeout=600)
6 print ‘Hello‘
7 http_client = tornado.httpclient.HTTPClient()
8 print ‘Hello World‘
9
10 print ‘Start downloading data...‘
11 http_response = http_client.fetch(http_request)
12 print ‘Finish downloading data...‘
13
14 print http_response.code
15
16 all_fields = http_response.headers.get_all()
17 for field in all_fields:
18 print field
19
20 print http_response.body
21
22 if __name__ == ‘__main__‘:
23 Fetch(‘http://www.baidu.com‘)
urllib2的常见方法：
（1）info() 获取网页的Header信息
（2）getcode() 获取网页的状态码
（3）geturl() 获取传入的网址
（4）read() 读取文件的内容
【Pyhton】 网络爬虫初级