Python爬蟲入門：Urllib庫的基本使用

標籤：有一個   val   response   解釋   family   http   爬蟲   _id   感受   

  1.分分鐘扒一個網頁下來

怎樣扒網頁呢？其實就是根據URL來擷取它的網頁資訊，雖然我們在瀏覽器中看到的是一幅幅優美的畫面，但是其實是由瀏覽器解釋才呈現出來的，實質它 是一段HTML代碼，加 JS、CSS，如果把網頁比作一個人，那麼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於HTML中的，下面我 們就寫個例子來扒一個網頁下來。

Python

 

1 2 3 4

#設定代理IP #代理IP可以上http://zhimaruanjian.com/擷取 import urllib2   response = urllib2.urlopen("http://www.baidu.com") print response.read()

是的你沒看錯，真正的程式就兩行，把它儲存成 demo.py，進入該檔案的目錄，執行如下命令查看運行結果，感受一下。

Python

 

1	python demo.py

 

看，這個網頁的源碼已經被我們扒下來了，是不是很酸爽？

2.分析扒網頁的方法

那麼我們來分析這兩行代碼，第一行

Python

 

1	response = urllib2.urlopen("http://zhimaruanjian.com/")

首先我們調用的是urllib2庫裡面的urlopen方法，傳入一個URL，這個網址是百度首頁，協議是HTTP協議，當然你也可以把HTTP換做FTP,FILE,HTTPS 等等，只是代表了一種存取控制協議，urlopen一般接受三個參數，它的參數如下：

Python

 

1	urlopen(url, data, timeout)

第一個參數url即為URL，第二個參數data是訪問URL時要傳送的資料，第三個timeout是設定逾時時間。

第二三個參數是可以不傳送的，data預設為空白None，timeout預設為 socket._GLOBAL_DEFAULT_TIMEOUT

第一個參數URL是必須要傳送的，在這個例子裡面我們傳送了百度的URL，執行urlopen方法之後，返回一個response對象，返回資訊便儲存在這裡面。

Python

 

1	print response.read()

response對象有一個read方法，可以返回擷取到的網頁內容。

如果不加read直接列印會是什嗎？答案如下：

Python

 

1	<addinfourl at 139728495260376 whose fp = <socket._fileobject object at 0x7f1513fb3ad0>>

直接列印出了該對象的描述，所以記得一定要加read方法，否則它不出來內容可就不怪我咯！

3.構造Requset

其實上面的urlopen參數可以傳入一個request請求,它其實就是一個Request類的執行個體，構造時需要傳入Url,Data等等的內容。比如上面的兩行代碼，我們可以這麼改寫

Python

 

1 2 3 4 5

import urllib2   request = urllib2.Request("http://zhimaruanjian.com/") response = urllib2.urlopen(request) print response.read()

運行結果是完全一樣的，只不過中間多了一個request對象，推薦大家這麼寫，因為在構建請求時還需要加入好多內容，通過構建一個request，伺服器響應請求得到應答，這樣顯得邏輯上清晰明確。

4.POST和GET資料傳送

上面的程式示範了最基本的網頁抓取，不過，現在大多數網站都是動態網頁，需要你動態地傳遞參數給它，它做出對應的響應。所以，在訪問時，我們需要傳遞資料給它。最常見的情況是什嗎？對了，就是登入註冊的時候呀。

把資料使用者名稱和密碼傳送到一個URL，然後你得到伺服器處理之後的響應，這個該怎麼辦？下面讓我來為小夥伴們揭曉吧！

資料傳送分為POST和GET兩種方式，兩種方式有什麼區別呢？

最重要的區別是GET方式是直接以連結形式訪問，連結中包含了所有的參數，當然如果包含了密碼的話是一種不安全的選擇，不過你可以直觀地看到自己提交了什麼內容。POST則不會在網址上顯示所有的參數，不過如果你想直接查看提交了什麼就不太方便了，大家可以酌情選擇。

POST方式：

上面我們說了data參數是幹嘛的？對了，它就是用在這裡的，我們傳送的資料就是這個參數data，下面示範一下POST方式。

Python

 

1 2 3 4 5 6 7 8 9

import urllib import urllib2   values = {"username":"[email protected]","password":"XXXX"} data = urllib.urlencode(values)  url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn" request = urllib2.Request(url,data) response = urllib2.urlopen(request) print response.read()

我們引入了urllib庫，現在我們類比登陸CSDN，當然上述代碼可能登陸不進去，因為還要做一些設定頭部header的工作，或者還有一些參數 沒有設定全，還沒有提及到在此就不寫上去了，在此只是說明登入的原理。我們需要定義一個字典，名字為values，參數我設定了username和 password，下面利用urllib的urlencode方法將字典編碼，命名為data，構建request時傳入兩個參數，url和data，運 行程式，即可實現登陸，返回的便是登陸後呈現的頁面內容。當然你可以自己搭建一個伺服器來測試一下。

注意上面字典的定義方式還有一種，下面的寫法是等價的

Python

 

1 2 3 4 5 6 7 8 9 10 11

import urllib import urllib2   values = {} values[‘username‘] = "[email protected]" values[‘password‘] = "XXXX" data = urllib.urlencode(values)  url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn" request = urllib2.Request(url,data) response = urllib2.urlopen(request) print response.read()

以上方法便實現了POST方式的傳送

GET方式：

至於GET方式我們可以直接把參數寫到網址上面，直接構建一個帶參數的URL出來即可。

Python

 

1 2 3 4 5 6 7 8 9 10 11 12

import urllib import urllib2   values={} values[‘username‘] = "[email protected]" values[‘password‘]="XXXX" data = urllib.urlencode(values)  url = "http://passport.csdn.net/account/login" geturl = url + "?"+data request = urllib2.Request(geturl) response = urllib2.urlopen(request) print response.read()

你可以print geturl，列印輸出一下url，發現其實就是原來的url加？然後加編碼後的參數

Python

 

1	http://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX

和我們平常GET訪問方式一模一樣，這樣就實現了資料的GET方式傳送。

本節講解了一些基本使用，可以抓取到一些基本的網頁資訊，小夥伴們加油！

 

Python爬蟲入門：Urllib庫的基本使用