python爬蟲 urllib2庫的安裝及使用

2021-09-02 23:18:18 字數 2059 閱讀 5001

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

urlopen

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

乙個基本的url請求對應的python**真的非常簡單。

request

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。

user-agent

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。

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

新增更多的header資訊

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。

把玩之python爬蟲urllib2

1,什麼是urllib2庫?urllib2是python的乙個獲取urls的元件,通過urlopen函式的形式來提供了乙個非常簡單的介面,根據不同協議獲取urls的能力,urllib2提供了乙個比較復 雜的介面來處理情況,例如 基礎驗證,cookies,和其他。我們分析 response urlli...

Python網路爬蟲 二 urllib2

1.網路爬蟲的架構 2.url管理器的簡單實現 1 存放待爬取url的 set 集合.2 存放未爬取url的 set 集合.3 url管理器應該具有的方法 新增新的url,判斷新增的url是否存在,判斷是否存在待爬取的url,獲取待爬取的url,移動爬取完成的url由未爬取 set 集合至 已爬取 ...

python爬蟲基礎 urllib2附帶資料解析

python中用於獲取 的模組 def getwebpage x 我們定義乙個獲取頁面的函式,x 是用於呈遞你在頁面中搜尋的內容的引數 你想要搜尋的引數 結合自己頁面情況適當修改 page urllib2.urlopen url pagecontent page.read return pageco...