python中urllib2庫的基本使用

版權聲明：版權人：張元江 https://blog.csdn.net/zyj1471664/article/details/84180421

所謂網頁抓取，就是把URL位址中指定的網絡資源從網絡流中抓取出來。在Python中有很多庫可以用來抓取網頁，此篇介紹urllib2。

urllib2 是 Python2.7 自帶的子產品(不需要下載下傳，導入即可使用)

urllib2 官方文檔：

https://docs.python.org/2/library/urllib2.html urllib2 源碼： https://hg.python.org/cpython/file/2.7/Lib/urllib2.py

在 python3 中，urllib2 被改為urllib.request

urlopen

我們先來段代碼：

# urllib2_urlopen.py

# 導入urllib2 庫
import urllib2

# 向指定的url發送請求，并傳回伺服器響應的類檔案對象
response = urllib2.urlopen("http://www.baidu.com")

# 類檔案對象支援 檔案對象的操作方法，如read()方法讀取檔案全部内容，傳回字元串
html = response.read()

# 列印字元串
print html
           

執行寫的python代碼，将列印結果

Power@PowerMac ~$: python urllib2_urlopen.py
           

實際上，如果我們在浏覽器上打開百度首頁， 右鍵選擇“檢視源代碼”，你會發現，跟我們剛才列印出來的是一模一樣。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

在我們第一個例子裡，urlopen()的參數就是一個url位址；

但是如果需要執行更複雜的操作，比如增加HTTP報頭，必須建立一個 Request 執行個體來作為urlopen()的參數；而需要通路的url位址則作為 Request 執行個體的參數。

我們編輯urllib2_request.py

# urllib2_request.py

import urllib2

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

# Request對象作為urlopen()方法的參數，發送給伺服器并接收響應
response = urllib2.urlopen(request)

html = response.read()

print html
           

運作結果是完全一樣的：

建立Request執行個體，除了必須要有 url 參數之外，還可以設定另外兩個參數：

1. data（預設空）：送出的Form表單資料，同時 HTTP 請求方法将從預設的 "GET"方式 改為 "POST"方式。
2. headers（預設空）：參數為字典類型，包含了需要發送的HTTP報頭的鍵值對。

User-Agent

但是這樣直接用urllib2給一個網站發送請求的話，确實略有些唐突了，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式（非人為通路）通路，有可能會拒絕你的通路請求。

但是如果我們用一個合法的身份去請求别人網站，顯然人家就是歡迎的，是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。

• 浏覽器 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一個真實使用者，那我們第一步就是需要僞裝成一個被浏覽器。用不同的浏覽器在發送請求的時候，會有不同的 User-Agent 報頭。
• urllib2預設的User-Agent頭為：Python-urllib/x.y （x和y 是Python 主.次 版本号，例如 Python-urllib/2.7）

#urllib2_useragent.py

import urllib2

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

# IE 9.0 的 User-Agent，包含在 user_agent裡
user_agent = {"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，這個請求将附帶 IE9.0 浏覽器的User-Agent
request = urllib2.Request(url, headers = user_agent)

# 向伺服器發送這個請求
response = urllib2.urlopen(request)

html = response.read()
print html
           

添加更多的Header資訊

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

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()來檢視已有的header。

• 添加一個特定的header

# urllib2_headers.py

import urllib2

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

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

#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()來檢視header資訊
# request.get_header(header_name="Connection")

response = urllib2.urlopen(request)

print response.code     #可以檢視響應狀态碼
html = response.read()

print html
           

• 随機添加/修改User-Agent

# urllib2_add_headers.py

import urllib2
import random

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

ua_list = [
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
    "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
    "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6"
]

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)

# get_header()的字元串參數，第一個字母大寫，後面的全部小寫
request.get_header("User-agent")

response = urllib2.urlopen(request)

html = response.read()
print html