[Python]網路爬蟲（二）：利用urllib2通過指定的URL抓取網頁內容

所謂網頁抓取，就是把URL地址中指定的網路資源從網路流中讀取出來，儲存到本地。 
類似於使用程式類比IE瀏覽器的功能，把URL作為HTTP請求的內容發送到伺服器端， 然後讀取伺服器端的響應資源。

在Python中，我們使用urllib2這個組件來抓取網頁。
urllib2是Python的一個擷取URLs(Uniform Resource Locators)的組件。

它以urlopen函數的形式提供了一個非常簡單的介面。

最簡單的urllib2的應用代碼只需要四行。

我們建立一個檔案urllib2_test01.py來感受一下urllib2的作用：

import urllib2response = urllib2.urlopen('http://www.baidu.com/')html = response.read()print html

按下F5可以看到啟動並執行結果：

我們可以開啟百度首頁，右擊，選擇查看原始碼（FirefoxORGoogle瀏覽器均可），會發現也是完全一樣的內容。

也就是說，上面這四行代碼將我們訪問百度時瀏覽器收到的代碼們全部列印了出來。

這就是一個最簡單的urllib2的例子。

除了"http:"，URL同樣可以使用"ftp:"，"file:"等等來替代。

HTTP是基於請求和應答機制的：

用戶端提出請求，服務端提供應答。

urllib2用一個Request對象來映射你提出的HTTP請求。

在它最簡單的使用形式中你將用你要請求的地址建立一個Request對象，

通過調用urlopen並傳入Request對象，將返回一個相關請求response對象，

這個應答對象如同一個檔案對象，所以你可以在Response中調用.read()。

我們建立一個檔案urllib2_test02.py來感受一下：

import urllib2  req = urllib2.Request('http://www.baidu.com')  response = urllib2.urlopen(req)  the_page = response.read()  print the_page

可以看到輸出的內容和test01是一樣的。

urllib2使用相同的介面處理所有的URL頭。例如你可以像下面那樣建立一個ftp請求。

req = urllib2.Request('ftp://example.com/')

在HTTP請求時，允許你做額外的兩件事。

1.發送data表單資料

這個內容相信做過Web端的都不會陌生，

有時候你希望發送一些資料到URL(通常URL與CGI[通用閘道介面]指令碼，或其他WEB應用程式掛接)。

在HTTP中,這個經常使用熟知的POST請求發送。

這個通常在你提交一個HTML表單時由你的瀏覽器來做。

並不是所有的POSTs都來源於表單，你能夠使用POST提交任意的資料到你自己的程式。

一般的HTML表單，data需要編碼成標準形式。然後做為data參數傳到Request對象。

編碼工作使用urllib的函數而非urllib2。

我們建立一個檔案urllib2_test03.py來感受一下：

import urllib  import urllib2  url = 'http://www.someserver.com/register.cgi'    values = {'name' : 'WHY',            'location' : 'SDU',            'language' : 'Python' }  data = urllib.urlencode(values) # 編碼工作req = urllib2.Request(url, data)  # 發送請求同時傳data表單response = urllib2.urlopen(req)  #接受反饋的資訊the_page = response.read()  #讀取反饋的內容

如果沒有傳送data參數，urllib2使用GET方式的請求。

GET和POST請求的不同之處是POST請求通常有"副作用"，

它們會由於某種途徑改變系統狀態(例如提交成堆垃圾到你的門口)。

Data同樣可以通過在Get請求的URL本身上面編碼來傳送。

import urllib2  import urllibdata = {}data['name'] = 'WHY'  data['location'] = 'SDU'  data['language'] = 'Python'url_values = urllib.urlencode(data)  print url_valuesname=Somebody+Here&language=Python&location=Northampton  url = 'http://www.example.com/example.cgi'  full_url = url + '?' + url_valuesdata = urllib2.open(full_url)  

這樣就實現了Data資料的Get傳送。

2.設定Headers到http請求

有一些網站不喜歡被程式（非人為訪問）訪問，或者發送不同版本的內容到不同的瀏覽器。

預設的urllib2把自己作為“Python-urllib/x.y”(x和y是Python主要版本和次版本號碼,例如Python-urllib/2.7)，

這個身份可能會讓網站迷惑，或者乾脆不工作。

瀏覽器確認自己身份是通過User-Agent頭，當你建立了一個請求對象，你可以給他一個包含頭資料的字典。

下面的例子發送跟上面一樣的內容，但把自身類比成Internet Explorer。

import urllib  import urllib2  url = 'http://www.someserver.com/cgi-bin/register.cgi'user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  values = {'name' : 'WHY',            'location' : 'SDU',            'language' : 'Python' }  headers = { 'User-Agent' : user_agent }  data = urllib.urlencode(values)  req = urllib2.Request(url, data, headers)  response = urllib2.urlopen(req)  the_page = response.read()