Python?urllib庫(kù)的使用指南詳解
所謂網(wǎng)頁(yè)抓取,就是把URL地址中指定的網(wǎng)絡(luò)資源從網(wǎng)絡(luò)流中讀取出來(lái),保存到本地。 在Python中有很多庫(kù)可以用來(lái)抓取網(wǎng)頁(yè),我們先學(xué)習(xí)urllib。
在 python2 中,urllib 被分為urllib,urllib2等
urlopen
我們先來(lái)段代碼:
# urllib_request.py # 導(dǎo)入urllib.request 庫(kù) import urllib.request # 向指定的url發(fā)送請(qǐng)求,并返回服務(wù)器響應(yīng)的類(lèi)文件對(duì)象 response = urllib.request.urlopen("http://www.baidu.com") # 類(lèi)文件對(duì)象支持文件對(duì)象的操作方法,如read()方法讀取文件全部?jī)?nèi)容,返回字符串 html = response.read() # 打印字符串 print (html)
執(zhí)行寫(xiě)的python代碼,將打印結(jié)果
python urllib_request.py
實(shí)際上,如果我們?cè)跒g覽器上打開(kāi)百度主頁(yè), 右鍵選擇“查看源代碼”,你會(huì)發(fā)現(xiàn),跟我們剛才打印出來(lái)的是一模一樣。也就是說(shuō),上面的4行代碼就已經(jīng)幫我們把百度的首頁(yè)的全部代碼爬了下來(lái)。
一個(gè)基本的url請(qǐng)求對(duì)應(yīng)的python代碼真的非常簡(jiǎn)單。
Request
在我們第一個(gè)例子里,urlopen()的參數(shù)就是一個(gè)url地址;
但是如果需要執(zhí)行更復(fù)雜的操作,比如增加HTTP報(bào)頭,必須創(chuàng)建一個(gè) Request 實(shí)例來(lái)作為urlopen()的參數(shù);而需要訪問(wèn)的url地址則作為 Request 實(shí)例的參數(shù)。
我們編輯urllib_request.py
# urllib_request.py import urllib.request # url 作為Request()方法的參數(shù),構(gòu)造并返回一個(gè)Request對(duì)象 request = urllib.request.Request("http://www.baidu.com") # Request對(duì)象作為urlopen()方法的參數(shù),發(fā)送給服務(wù)器并接收響應(yīng) response = urllib.request.urlopen(request) html = response.read().decode() print (html)
運(yùn)行結(jié)果是完全一樣的:
新建Request實(shí)例,除了必須要有 url 參數(shù)之外,還可以設(shè)置另外兩個(gè)參數(shù):
data(默認(rèn)空):是伴隨 url 提交的數(shù)據(jù)(比如要post的數(shù)據(jù)),同時(shí) HTTP 請(qǐng)求將從 "GET"方式 改為 "POST"方式。
headers(默認(rèn)空):是一個(gè)字典,包含了需要發(fā)送的HTTP報(bào)頭的鍵值對(duì)。
User-Agent
但是這樣直接用urllib給一個(gè)網(wǎng)站發(fā)送請(qǐng)求的話,確實(shí)略有些唐突了,就好比,人家每家都有門(mén),你以一個(gè)路人的身份直接闖進(jìn)去顯然不是很禮貌。而且有一些站點(diǎn)不喜歡被程序(非人為訪問(wèn))訪問(wèn),有可能會(huì)拒絕你的訪問(wèn)請(qǐng)求。
但是如果我們用一個(gè)合法的身份去請(qǐng)求別人網(wǎng)站,顯然人家就是歡迎的,所以我們就應(yīng)該給我們的這個(gè)代碼加上一個(gè)身份,就是所謂的User-Agent頭。
瀏覽器 就是互聯(lián)網(wǎng)世界上公認(rèn)被允許的身份,如果我們希望我們的爬蟲(chóng)程序更像一個(gè)真實(shí)用戶,那我們第一步,就是需要偽裝成一個(gè)被公認(rèn)的瀏覽器。用不同的瀏覽器在發(fā)送請(qǐng)求的時(shí)候,會(huì)有不同的User-Agent頭。 urllib默認(rèn)的User-Agent頭為:Python-urllib/x.y(x和y是Python主版本和次版本號(hào),例如 Python-urllib/2.7)
#urllib_request.py import urllib.request url = "http://www.itcast.cn" #IE 9.0 的 User-Agent,包含在 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(gòu)造Request請(qǐng)求,這個(gè)請(qǐng)求將附帶 IE9.0 瀏覽器的User-Agent request = urllib.request.Request(url, headers = ua_header) # 向服務(wù)器發(fā)送這個(gè)請(qǐng)求 response = urllib.request.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(lái)構(gòu)造一個(gè)完整的HTTP請(qǐng)求消息。
可以通過(guò)調(diào)用Request.add_header() 添加/修改一個(gè)特定的header 也可以通過(guò)調(diào)用Request.get_header()來(lái)查看已有的header。
添加一個(gè)特定的header
# urllib_headers.py import urllib.request 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 = urllib.request.Request(url, headers = header) #也可以通過(guò)調(diào)用Request.add_header() 添加/修改一個(gè)特定的header request.add_header("Connection", "keep-alive") # 也可以通過(guò)調(diào)用Request.get_header()來(lái)查看header信息 # request.get_header(header_name="Connection") response = urllib.request.urlopen(request) print (response.code) #可以查看響應(yīng)狀態(tài)碼 html = response.read().decode() print (html)
隨機(jī)添加/修改User-Agent
# urllib_add_headers.py import urllib 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 = urllib.request.Request(url) #也可以通過(guò)調(diào)用Request.add_header() 添加/修改一個(gè)特定的header request.add_header("User-Agent", user_agent) # get_header()的字符串參數(shù),第一個(gè)字母大寫(xiě),后面的全部小寫(xiě) request.get_header("User-agent") response = urllib.request.urlopen(requestr) html = response.read() print (html)
以上就是Python urllib庫(kù)的使用指南詳解的詳細(xì)內(nèi)容,更多關(guān)于Python urllib庫(kù)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章!
相關(guān)文章
淺談Python xlwings 讀取Excel文件的正確姿勢(shì)
這篇文章主要介紹了淺談Python xlwings 讀取Excel文件的正確姿勢(shì),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-02-02用Python代碼來(lái)繪制彭羅斯點(diǎn)陣的教程
這篇文章主要介紹了用Python代碼來(lái)繪制彭羅斯點(diǎn)陣的教程,核心代碼主要就是一行簡(jiǎn)單的lambda匿名函數(shù),需要的朋友可以參考下2015-04-04python實(shí)現(xiàn)宿舍管理系統(tǒng)
這篇文章主要為大家詳細(xì)介紹了python實(shí)現(xiàn)宿舍管理系統(tǒng),文中示例代碼介紹的非常詳細(xì),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下2019-11-11python3射線法判斷點(diǎn)是否在多邊形內(nèi)
這篇文章主要為大家詳細(xì)介紹了python3射線法判斷點(diǎn)是否在多邊形內(nèi),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下2019-06-06Python3進(jìn)行表格數(shù)據(jù)處理的示例詳解
數(shù)據(jù)處理是一個(gè)當(dāng)下非常熱門(mén)的研究方向,通過(guò)對(duì)于大型實(shí)際場(chǎng)景中的數(shù)據(jù)進(jìn)行建模,可以用于預(yù)測(cè)下一階段可能出現(xiàn)的情況。本文就來(lái)聊聊Python3進(jìn)行表格數(shù)據(jù)處理的相關(guān)操作,需要的可以參考一下2023-03-03詳解用pyecharts Geo實(shí)現(xiàn)動(dòng)態(tài)數(shù)據(jù)熱力圖城市找不到問(wèn)題解決
這篇文章主要介紹了詳解用pyecharts Geo實(shí)現(xiàn)動(dòng)態(tài)數(shù)據(jù)熱力圖城市找不到問(wèn)題解決,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2019-06-06Flask實(shí)現(xiàn)swagger在線文檔與接口測(cè)試流程詳解
Flask是一個(gè)使用Python編寫(xiě)的輕量級(jí)Web應(yīng)用框架。其WSGI工具箱采用 Werkzeug,模板引擎則使用Jinja2。Flask使用 BSD 授權(quán)。Flask也被稱為“microframework”,因?yàn)樗褂煤?jiǎn)單的核心,用 extension 增加其他功能,本篇帶你用Flask實(shí)現(xiàn)swagger在線文檔與接口測(cè)試2022-07-07