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
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
power@powermac ~$: python urllib2_urlopen.py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
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：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。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。
瀏覽器 就是網際網路世界上公認被允許的身份，如果我們希望我們的爬蟲程式更像乙個真實使用者，那我們第一步，就是需要偽裝成乙個被公認的瀏覽器。用不同的瀏覽器在傳送請求的時候，會有不同的user-agent頭。 urllib2預設的user-agent頭為：python-urllib/x.y（x和y是python主版本和次版本號,例如 python-urllib/2.7）
#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
可以通過呼叫新增乙個特定的header: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
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 ...
爬蟲 urllib2庫的使用
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...