怎样扒网页呢？其实就是根据url来获取它的网页信息，虽然我们在浏览器中看到的是一幅幅优美的画面，但是其实是由浏览器解释才呈现出来的，实质它是一段html代码，加 js、css，如果把网页比作一个人，那么html便是他的骨架，js便是他的肌肉，css便是它的衣服。所以最重要的部分是存在于html中的，下面我们就写个例子来扒一个网页下来。
是的你没看错，真正的程序就两行，把它保存成 demo.py，进入该文件的目录，执行如下命令查看运行结果，感受一下。
那么我们来分析这两行代码，第一行
首先我们调用的是urllib2库里面的urlopen方法，传入一个url，这个网址是百度首页，协议是http协议，当然你也可以把http换做ftp,file,https 等等，只是代表了一种访问控制协议，urlopen一般接受三个参数，它的参数如下：
第一个参数url即为url，第二个参数data是访问url时要传送的数据，第三个timeout是设置超时时间。
第二三个参数是可以不传送的，data默认为空none，timeout默认为 socket._global_default_timeout
第一个参数url是必须要传送的，在这个例子里面我们传送了百度的url，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。
response对象有一个read方法，可以返回获取到的网页内容。
如果不加read直接打印会是什么？答案如下：
直接打印出了该对象的描述，所以记得一定要加read方法，否则它不出来内容可就不怪我咯！
其实上面的urlopen参数可以传入一个request请求,它其实就是一个request类的实例，构造时需要传入url,data等等的内容。比如上面的两行代码，我们可以这么改写
运行结果是完全一样的，只不过中间多了一个request对象，推荐大家这么写，因为在构建请求时还需要加入好多内容，通过构建一个request，服务器响应请求得到应答，这样显得逻辑上清晰明确。
上面的程序演示了最基本的网页抓取，不过，现在大多数网站都是动态网页，需要你动态地传递参数给它，它做出对应的响应。所以，在访问时，我们需要传递数据给它。最常见的情况是什么？对了，就是登录注册的时候呀。
把数据用户名和密码传送到一个url，然后你得到服务器处理之后的响应，这个该怎么办？下面让我来为小伙伴们揭晓吧！
数据传送分为post和get两种方式，两种方式有什么区别呢？
最重要的区别是get方式是直接以链接形式访问，链接中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。post则不会在网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了，大家可以酌情选择。
上面我们说了data参数是干嘛的？对了，它就是用在这里的，我们传送的数据就是这个参数data，下面演示一下post方式。
我们引入了urllib库，现在我们模拟登陆csdn，当然上述代码可能登陆不进去，因为csdn还有个流水号的字段，没有设置全，比较复杂在这里就不写上去了，在此只是说明登录的原理。一般的登录网站一般是这种写法。
我们需要定义一个字典，名字为values，参数我设置了username和password，下面利用urllib的urlencode方法将字典编码，命名为data，构建request时传入两个参数，url和data，运行程序，返回的便是post后呈现的页面内容。
注意上面字典的定义方式还有一种，下面的写法是等价的
以上方法便实现了post方式的传送
至于get方式我们可以直接把参数写到网址上面，直接构建一个带参数的url出来即可。
你可以print geturl，打印输出一下url，发现其实就是原来的url加？然后加编码后的参数
有些网站不会同意程序直接用上面的方式进行访问，如果识别有问题，那么站点根本不会响应，所以为了完全模拟浏览器的工作，我们需要设置一些headers 的属性。
首先，打开我们的浏览器，调试浏览器f12，我用的是chrome，打开网络监听，示意如下，比如知乎，点登录之后，我们会发现登陆之后界面都变化了，出现一个新的界面，实质上这个页面包含了许许多多的内容，这些内容也不是一次性就加载完成的，实质上是执行了好多次请求，一般是首先请求html文件，然后加载js，css 等等，经过多次请求之后，网页的骨架和肌肉全了，整个网页的效果也就出来了。
拆分这些请求，我们只看一第一个请求，你可以看到，有个request url，还有headers，下面便是response，图片显示得不全，小伙伴们可以亲身实验一下。那么这个头中包含了许许多多是信息，有文件编码啦，压缩方式啦，请求的agent啦等等。
其中，agent就是请求的身份，如果没有写入请求身份，那么服务器不一定会响应，所以可以在headers中设置agent,例如下面的例子，这个例子只是说明了怎样设置的headers，小伙伴们看一下设置格式就好。
这样，我们设置了一个headers，在构建request时传入，在请求时，就加入了headers传送，服务器若识别了是浏览器发来的请求，就会得到响应。
另外，我们还有对付”反盗链”的方式，对付防盗链，服务器会识别headers中的referer是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在headers中加入referer
例如我们可以构建下面的headers
同上面的方法，在传送请求时把headers传入request参数里，这样就能应付防盗链了。
另外headers的一些属性，下面的需要特别注意一下：
user-agent : 有些服务器或 proxy 会通过该值来判断是否是浏览器发出的请求 content-type : 在使用 rest 接口时，服务器会检查该值，用来确定 http body 中的内容该怎样解析。 application/xml ： 在 xml rpc，如 restful/soap 调用时使用 application/json ： 在 json rpc 调用时使用 application/x-www-form-urlencoded ： 浏览器提交 web 表单时使用 在使用服务器提供的 restful 或 soap 服务时， content-type 设置错误会导致服务器拒绝服务
其他的有必要的可以审查浏览器的headers内容，在构建时写入同样的数据即可。
urllib2 默认会使用环境变量 http_proxy 来设置 http proxy。假如一个网站它会检测某一段时间某个ip 的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理，网站君都不知道是谁在捣鬼了，这酸爽！
下面一段代码说明了代理的设置用法
上一节已经说过urlopen方法，第三个参数就是timeout设置，可以设置等待多久超时，为了解决一些网站响应过慢而造成的影响。
例如下面的代码,如果第二个参数data为空那么要特别指定是timeout是多少，写明形参，如果data已经传入，则不必声明。
http协议有六种请求方法，get,head,put,delete,post,options，我们有时候需要用到put方式或者delete方式请求。
put：这个方法比较少见。html表单也不支持这个。本质上来讲， put和post极为相似，都是向服务器发送数据，但它们之间有一个重要区别，put通常指定了资源的存放位置，而post则没有，post的数据存放位置由服务器自己决定。 delete：删除某一个资源。基本上这个也很少见，不过还是有一些地方比如amazon的s3云服务里面就用的这个方法来删除资源。
如果要使用 http put 和 delete ，只能使用比较低层的 httplib 库。虽然如此，我们还是能通过下面的方式，使 urllib2 能够发出 put 或delete 的请求，不过用的次数的确是少，在这里提一下。
可以通过下面的方法把 debug log 打开，这样收发包的内容就会在屏幕上打印出来，方便调试，这个也不太常用，仅提一下