爬蟲 urllib2庫的使用

2021-08-21 02:53:35 字數 3279 閱讀 1997

所謂網頁抓取，就是把url位址中指定的網路資源從網路流中讀取出來，儲存到本地。 在python中有很多庫可以用來抓取網頁，我們先學習urllib2。

urllib2 官方文件：

urllib2 原始碼：

urllib2在 python3.x 中被改為urllib.request

我們先來段**：

# urllib2_urlopen.py


# 匯入urllib2 庫


import urllib2


# 向指定的url傳送請求，並返回伺服器響應的類檔案物件


response = urllib2.urlopen("")


# 類檔案物件支援 檔案物件的操作方法，如read()方法讀取檔案全部內容，返回字串


html = response.read()


# 列印字串


print html
執行寫的python**，將列印結果

power@powermac ~$: python urllib2_urlopen.py

乙個基本的url請求對應的python**真的非常簡單。

在我們第乙個例子裡，urlopen()的引數就是乙個url位址；

但是如果需要執行更複雜的操作，比如增加http報頭，必須建立乙個 request 例項來作為urlopen()的引數；而需要訪問的url位址則作為 request 例項的引數。

我們編輯urllib2_request.py

# urllib2_request.py


import urllib2


# url 作為request()方法的引數，構造並返回乙個request物件


request = urllib2.request("")


# request物件作為urlopen()方法的引數，傳送給伺服器並接收響應


response = urllib2.urlopen(request)


html = response.read()


print html
執行結果是完全一樣的：
新建request例項，除了必須要有 url 引數之外，還可以設定另外兩個引數：

data（預設空）：是伴隨 url 提交的資料（比如要post的資料），同時 http 請求將從 "get"方式 改為 "post"方式。

headers（預設空）：是乙個字典，包含了需要傳送的http報頭的鍵值對。

這兩個引數下面會說到。

但是這樣直接用urllib2給乙個**傳送請求的話，確實略有些唐突了，就好比，人家每家都有門，你以乙個路人的身份直接闖進去顯然不是很禮貌。而且有一些站點不喜歡被程式（非人為訪問）訪問，有可能會拒絕你的訪問請求。

但是如果我們用乙個合法的身份去請求別人**，顯然人家就是歡迎的，所以我們就應該給我們的這個**加上乙個身份，就是所謂的user-agent頭。

#urllib2_useragent.py


import urllib2


url = ""


#ie 9.0 的 user-agent，包含在 ua_header裡


ua_header =  


#  url 連同 headers，一起構造request請求，這個請求將附帶 ie9.0 瀏覽器的user-agent


request = urllib2.request(url, headers = ua_header)


# 向伺服器傳送這個請求


response = urllib2.urlopen(request)


html = response.read()


print html
在 http request 中加入特定的 header，來構造乙個完整的http請求訊息。

可以通過呼叫request.add_header()新增/修改乙個特定的header 也可以通過呼叫request.get_header()來檢視已有的header。

# urllib2_headers.py


import urllib2


url = ""


#ie 9.0 的 user-agent


header =  


request = urllib2.request(url, headers = header)


#也可以通過呼叫request.add_header() 新增/修改乙個特定的header


request.add_header("connection", "keep-alive")


# 也可以通過呼叫request.get_header()來檢視header資訊


# request.get_header(header_name="connection")


response = urllib2.urlopen(req)


print response.code     #可以檢視響應狀態碼


html = response.read()


print html
# urllib2_add_headers.py


import urllib2


import random


url = ""


ua_list = [


"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)


#也可以通過呼叫request.add_header() 新增/修改乙個特定的header


request.add_header("user-agent", user_agent)


# 第乙個字母大寫，後面的全部小寫


request.get_header("user-agent")


response = urllib2.urlopen(req)


html = response.read()


print html

04 爬蟲 urllib2庫的基本使用

所謂網頁抓取，就是把url位址中指定的網路資源從網路流中讀取出來，儲存到本地。在python中有很多庫可以用來抓取網頁，比如urllib2。urllib2 在 python3.x 中被改為urllib.request 我們先來段 urllib2 urlopen.py 匯入urllib2 庫 impo...

爬蟲之urllib2庫的基本使用

所謂網頁抓取，就是把url位址中指定的網路資源從網路流中讀取出來，儲存到本地。在python中有很多庫可以用來抓取網頁，我們先學習urllib2。urllib2 官方文件 urllib2 原始碼 urllib2在 python3.x 中被改為urllib.request 我們先來段 urllib2 ...

2 爬蟲基礎 urllib2模組

底層操作request物件 請求頭設定之useragent使用者 請求頭設定 使用者 useragent 自定義請求頭訊息 請求方式之get post請求 get請求處理 post請求處理 handler處理器自定義開鎖人opener 自定義http opener 自定義proxy opener 會...