上一篇文章我們對爬蟲有了一個初步認識，本篇文章我們開始學習 Python 爬蟲實例。
在 Python 中有很多庫可以用來抓取網頁，其中內置了 urllib 模塊，該模塊就能實現我們基本的網頁爬取。
在 Python2.x 和 Python3.x 中 urllib 模塊是不一樣的，但是用法上差不多，我們先用 Python2.x 中的 urllib 來實現一個 demo。
在 Python2.x 中內置了 urllib 模塊，但是 Python 創始人 Guido van Rossum 覺得其太臃腫了，於是又寫了一個 urllib2，兩者有很多不同，最顯著的如下：
（1）urllib僅可以接受URL，不能創建，設置headers的request類實例；
（2）但是urllib提供urlencode()方法用來GET查詢字符串的產生，而urllib2則沒有（這是urllib和urllib2經常一起使用的主要原因）
（3）編碼工作使用urllib的urlencode()函數，幫我們講key:value這樣的鍵值對轉換成‘key=value’這樣的字符串，解碼工作可以使用urllib的unquote()
函數
我們就使用 urllib2 來實現一個簡單的爬蟲：
1 # 導入urllib2 庫 2 import urllib2 3 4 # 向指定的url發送請求，並返回服務器響應的類文件對象 5 response = urllib2.urlopen("http://www.baidu.com") 6 # 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串 7 html = response.read().decode("utf-8") 8 # 打印字符串 9 print(html)
在上面的代碼中我們其實就相當於模擬了查看百度首頁，然后獲取百度首頁的 html 內容。
urllib2 在 python3.x 中被改為urllib.request,python2.x 的 urllib 和 urllib2 在 python3.x 中合並為 urllib
在 Python3.x 中實現上面的代碼如下：
1 # 導入urllib 庫 2 import urllib.request 3 4 # 向指定的url發送請求，並返回服務器響應的類文件對象 5 response = urllib.request.urlopen("http://www.baidu.com") 6 # 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串 7 html = response.read().decode("utf-8") 8 # 打印字符串 9 print(html)
最終的打印結果如下，內容太長就截一小段：
歷史的車輪滾滾而來，雖然大部分 Python 使用者還在使用 Python2.x，但 Python3.x 肯定有其之長才被發布的，本人作為小白，就選取 Python3.x 學習吧。
在我們上面的例子中，urlopen()的參數就是一個url地址；
但是如果需要執行更復雜的操作，比如增加HTTP報頭，必須創建一個 Request 實例來作為urlopen()的參數；而需要訪問的url地址則作為 Request 實例的參數。
1 # 導入urllib 庫 2 import urllib.request 3 4 # url 作為Request()方法的參數，構造並返回一個Request對象 5 request = urllib.request.Request("http://www.baidu.com") 6 # Request對象作為urlopen()方法的參數，發送給服務器並接收響應 7 response = urllib.request.urlopen(request) 8 # 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串 9 html = response.read().decode("utf-8") 10 # 打印字符串 11 print(html)
最終的打印結果一致。
新建Request實例，除了必須要有 url 參數之外，還可以設置另外兩個參數：
data（默認空）：是伴隨 url 提交的數據（比如要post的數據），同時 HTTP 請求將從 "GET"方式 改為 "POST"方式。
headers（默認空）：是一個字典，包含了需要發送的HTTP報頭的鍵值對。
這兩個參數下面會說到。
但是這樣直接用 urllib 給一個網站發送請求的話，確實略有些唐突了，就好比，人家每家都有門，你以一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序（非人為訪問）訪問，有可能會拒絕你的訪問請求。
但是如果我們用一個合法的身份去請求別人網站，顯然人家就是歡迎的，所以我們就應該給我們的這個代碼加上一個身份，就是所謂的User-Agent頭。
- 瀏覽器 就是互聯網世界上公認被允許的身份，如果我們希望我們的爬蟲程序更像一個真實用戶，那我們第一步，就是需要偽裝成一個被公認的瀏覽器。用不同的瀏覽器在發送請求的時候，會有不同的User-Agent頭。
現在我們就來加一個 User-Agent 的報頭。
當我們打開 https://www.baidu.com/，我們在開發者工具的 Network 下，我們會找到一個
User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36
當然還有 Accept，Host，Cookie 等信息，這里我們先不考慮，后期會講到。
1 # 導入urllib 庫 2 import urllib.request 3 import ssl 4 5 # 取消代理驗證 6 ssl._create_default_https_context = ssl._create_unverified_context 7 # User-Agent 8 headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"} 9 # url 作為Request()方法的參數，構造並返回一個Request對象 10 request = urllib.request.Request("http://www.baidu.com",headers=headers) 11 # Request對象作為urlopen()方法的參數，發送給服務器並接收響應 12 response = urllib.request.urlopen(request) 13 # 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串 14 html = response.read().decode("utf-8") 15 # 打印字符串 16 print(html)
在上面的代碼中，我們又引入了 ssl 模塊，由於現在百度使用的是 https 協議，進入頁面需要代理驗證，為了不必要的麻煩，我們干脆取消代理驗證，所以用到了 ssl 模塊。
然后我們定義了一個 headers 的變量，即響應頭信息，然后我們在 Request 的第二個形參中將 headers=headers，這樣我們在請求 https://www.baidu.com/，就相當於我們手動在瀏覽器輸入 url 鏈接是一樣的效果。