Python爬蟲(二)_urllib2的使用

所謂網頁抓取，就是把URL地址中指定的網絡資源從網絡流中讀取出來，保存到本地。在Python中有很多庫可以用來抓取網頁，我們先學習urllib2。

urllib2是Python2.x自帶的模塊(不需要下載，導入即可使用)
urllib2官網文檔：https://docs.python.org/2/library/urllib2.html
urllib2源碼

urllib2在python3.x中被改為urllib.request

urlopen

我們先來段代碼：

#-*- coding:utf-8 -*-
#01.urllib2_urlopen.py

#導入urllib2庫

import urllib2

#向指定的url發送請求，並返回服務器的類文件對象
response = urllib2.urlopen("http://www.baidu.com")

#類文件對象支持文件對象的操作方法，如read()方法讀取文件
html = response.read()

#打印字符串
print(html)

執行寫好的python代碼，將打印結果：

python2 01.urllib2_urlopen.py 

實際上，如果我們在瀏覽器打上百度主頁，右鍵選擇"查看源代碼"，你會發現，跟我們剛才打印出來的是一模一樣的。也就是說，上面的4行代碼就已經幫我們把百度的首頁的全部代碼爬了下來。
一個基本的url請求對應的python代碼真的非常簡單。

Request

查看官方文檔url的用法如下：

urllib2.urlopen(url[, data[, timeout[, cafile[, capath[, cadefault[, context]]]]])
    Open the URL url, which can be either a string or a Request object.

在我們第一個例子里，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，則必須創建一個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。

#-*- coding:utf-8 -*-
#02.urllib2_request.py

import urllib2

#url作為Request()方法的參數，構造並返回一個Request對象
request = urllib2.Request("http://www.baidu.com")

#Request對象作為一個urlopen()方法的參數，發送給服務器並接收響應
response = urllib2.urlopen(request)

html = response.read()

print(html)

運行結果是完全一樣的：

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：

1. 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。
   
2. 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。

User-Agent

但是這樣直接用urllib2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。urllib2默認的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)

#-*- coding:utf-8 -*-
#03.urllib2_useragent.py

import urllib2

url = "http://www.itcast.cn"

#IE 9.0的User-Agent,包含ua-header里
ua_header = {"User-Agent":"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}

# 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)

#向服務器發送這個請求
response = urllib2.urlopen(request)

html = response.read()

print(html)

添加更多的Header信息

在HTTP Request中加入特定的Header，來構造一個完整的HTTP請求。

可以通過調用Request.add_header()添加/修改一個特定的header也可以通過調用Request.get_header()來查看已有的header。

• 添加一個特定的header

#-*- coding:utf-8 -*-
#04.urllib2_headers.py

import urllib2

url = "http://www.itcast.cn"

#IE 9.0的User-Agent
header = {"User-Agent":"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
request  =urllib2.Request(url, headers = header)

#也可以通過調用Request.add_header()添加/修改一個特定的header
request.add_header("Connection","keep-alive")

#也可以通過調用Request.get_header()來查看header信息
request.get_header(header_name = "Connection")

response = urllib2.urlopen(request)
print(response.code)   #可以查看響應狀態碼

html = response.read()
print(html)

    隨機添加/修改User-Agent

#-*- coding:utf-8 -*-
#05.urllib2_add_headers.py

import urllib2
import random

url = "http://www.itcast.cn"

ua_list = [
    "Mozilla/5.0 (Windows NT 6.1; ) Apple.... ",
    "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)

#也可以通過調用Request.add_header()添加/修改一個特定的header
request.add_header("User-Agent", user_agent)

#第一個字母大寫，后面的全部小寫
request.add_header("User-agent")

response = urllib2.urlopen(req)

html = response.read()

print(html)

注意

The urllib2 module has been split across several modules in Python 3 named urllib.request and urllib.error