1、第 1 页 共 191 页Python 爬虫入门三之 Urllib 库的基本使用Python 崔庆才 5 个月前 (02-12) 13660 13 评论那么接下来，小伙伴们就一起和我真正迈向我们的爬虫之路吧。1. 分分钟扒一个网页下来怎样扒网页呢？其实就是根据 URL 来获取它的网页信息，虽然我们在浏览器中看到的是一幅幅优美的画面， 但是其实是由浏览器解释才呈现出来的， 实质它是一段 HTML 代码，加 JS、 CSS，如果把网页比作一个人，那么 HTML 便是他的骨架， JS便是他的肌肉， CSS便是它的衣服。 所以最重要的部分是存在于 HTML中的，下面我们就写个例子来扒一个网页下来。1
2、2 3 4 import urllib2response = urllib2 .urlopen (“http:/“ )print response .read ()是的你没看错，真正的程序就两行，把它保存成 demo.py，进入该文件的目录，执行如下命令查看运行结果，感受一下。1 python demo .py第 2 页 共 191 页看，这个网页的 源码 已经被我们扒下来了，是不是很酸爽？2. 分析扒网页的方法那么我们来分析这两行代码，第一行1 response = urllib2 .urlopen (“http:/“ )首先我们调用的是 urllib2 库里面的 urlopen 方法， 传
3、入一个 URL ， 这个网址是百度首页，协议是 HTTP 协议，当然你也可以把 HTTP 换做 FTP,FILE,HTTPS 等等，只是代表了一种 访问控制 协议， urlopen 一般接受三个参数，它的参数如下：第 3 页 共 191 页1 urlopen (url, data, timeout )第一个参数 url 即为 URL ，第二个参数 data是访问 URL 时要传送的数据，第三个 timeout 是设置超时时间。第二三个参数是可以不传送的， data默认为空 None， timeout 默认为 socket._GLOBAL_DEFAULT_TIMEOUT 第一个参数 URL 是必
4、须要传送的，在这个例子里面我们传送了百度的 URL，执行 urlopen 方法之后，返回一个 response对象，返回信息便保存在这里面。1 print response .read ()response对象有一个 read 方法，可以返回获取到的网页内容。如果不加 read直接打印会是什么？答案如下：1 直接打印出了该对象的描述，所以记得一定要加 read方法，否则它不出来内容可就不怪我咯！3. 构造 Requset其实上面的 urlopen 参数可以传入一个 request请求 ,它其实就是一个 Request类的实例，构造时需要传入 Url,Data 等等的内容。比如上面的两行代码，我
5、们可以这么改写第 4 页 共 191 页1 2 3 4 5 import urllib2request = urllib2 .Request (“http:/“ )response = urllib2 .urlopen (request )print response .read ()运行结果是完全一样的，只不过中间多了一个 request对象，推荐大家这么写，因为在构建请求时还需要加入好多内容， 通过构建一个 request， 服务器 响应请求得到应答，这样显得逻辑上清晰明确。4.POST和 GET数据传送上面的程序演示了最基本的网页抓取， 不过， 现在大多数网站都是动态网页， 需要你动态地
6、传递参数给它，它做出对应的响应。所以，在访问时，我们需要传递数据给它。最常见的情况是什么？对了，就是登录注册的时候呀。把数据用户名和密码传送到一个 URL ，然后你得到服务器处理之后的响应，这个该怎么办？下面让我来为小伙伴们揭晓吧！数据传送分为 POST 和 GET 两种方式，两种方式有什么区别呢？最重要的区别是 GET 方式是直接以链接形式访问，链接中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择， 不过你可以直观地看到自己提交了什么内容。 POST 则不会在网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了，大家可以酌情选择。POST方式：上面我们说了 data参
7、数是干嘛的？对了，它就是用在这里的，我们传送的数据就是这个参数 data，下面 演示 一下 POST方式。1 import urllib第 5 页 共 191 页2 3 4 5 6 7 8 9 import urllib2values = “username“ :““ ,“password“ :“XXXX“ data = urllib .urlencode (values )url = “https:/ = urllib2 .Request (url,data )response = urllib2 .urlopen (request )print response .read ()我们引入了
8、 urllib 库， 现在我们模拟登陆 CSDN， 当然上述代码可能登陆不进去，因为还要做一些设置头部 header的工作，或者还有一些参数没有设置全，还没有提及到在此就不写上去了， 在此只是说明登录的原理。 我们需要定义一个字典，名字为 values， 参数我设置了 username和 password， 下面利用 urllib 的 urlencode方法将字典编码，命名为 data，构建 request时传入两个参数， url 和 data，运行程序， 即可实现登陆， 返回的便是登陆后呈现的页面内容。 当然你可以自己搭建一个 服务器 来测试一下。注意上面字典的定义方式还有一种，下面的写法是
9、等价的1 2 3 4 5 6 7 import urllibimport urllib2values = values username = ““values password = “XXXX“data = urllib .urlencode (values )第 6 页 共 191 页8 9 10 11 url = “http:/ from =http:/ = urllib2 .Request (url ,data )response = urllib2 .urlopen (request )print response .read ()以上方法便实现了 POST 方式的传送GET方式：至于
10、 GET 方式我们可以直接把参数写到网址上面，直接构建一个带参数的 URL出来即可。1 2 3 4 5 6 7 8 9 10 11 12 import urllibimport urllib2values =values username = ““values password =“XXXX“data = urllib .urlencode (values )url = “http:/ = url + “?“ +datarequest = urllib2 .Request (geturl )response = urllib2 .urlopen (request )print response
11、 .read ()你可以 print geturl，打印输出一下 url，发现其实就是原来的 url 加？然后加编码后的参数第 7 页 共 191 页1 http:/ MSIE 5.5; Windows NT)values = username : cqc , password : XXXX headers = User-Agent : user _agent data = urllib .urlencode (values )request = urllib2 .Request (url , data , headers )response = urllib2 .urlopen (reque
12、st )page = response .read ()这样， 我们设置了一个 headers， 在构建 request时传入， 在请求时， 就加入了 headers传送，服务器若识别了是浏览器发来的请求，就会得到响应。另外，我们还有 对付 ” 反盗链 ” 的方式，对付防盗链，服务器会识别 headers中的referer是不是它自己， 如果不是， 有的服务器不会响应， 所以我们还可以在 headers中加入 referer 例如我们可以构建下面的 headers 1 2 head ers = User-Agent : Mozilla/4.0 (compatible; MSIE 5.5; Wi
13、ndows NT) ,Referer :http:/ 同上面的方法，在传送请求时把 headers 传入 Request参数里，这样就能应付防盗链了。另外 headers的一些属性，下面的需要特别注意一下：User-Agent : 有些服务器或 Proxy 会通过该值来判断是否是浏览器发出的请求Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。application/ xml ： 在 XML RPC，如 RESTful/SOAP 调用时使用application/json ： 在 JSON RPC 调用时使用applic
14、ation/x-www-form-urlencoded ： 浏览器提交 Web 表单时使用在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务第 10 页 共 191 页其他的有必要的可以审查浏览器的 headers内容， 在构建时写入同样的数据即可。2. Proxy （代理）的设置urllib2 默认会使用 环境变量 http_proxy 来设置 HTTP Proxy。假如一个网站它会检测 某一段时间某个 IP 的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些 代理服务器 来帮助你做工作，每隔一段时间换一个代理，
15、网站君都不知道是谁在捣鬼了，这酸爽！下面一段代码说明了 代理 的设置用法1 2 3 4 5 6 7 8 9 import urllib2enable_proxy = Trueproxy_handler = urllib2 .ProxyHandler (“http“ : http:/some-:8080 )null_proxy_handler = urllib2 .ProxyHandler ()if enable_proxy :opener = urllib2 .build_opener (proxy_handler )else :opener = urllib2 .build_opener (null_proxy_handler )urllib2 .install_opener (open er)3. Timeout 设置上一节已经说过 urlopen 方法了，第三个参数就是 timeout 的设置，可以设置等待多久超时，为了解决一些网站实在响应过慢而造成的影响。例如下面的代码 ,如果第二个参数 data为空那么要特别指定是 timeout 是多少， 写明形参，如果 data已经传入，则不必 声明 。
