版本號：Python2.7.5，Python3改動較大，各位另尋教程。

所謂網(wǎng)頁抓取，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，保存到本地。 
類似于使用程序模擬IE瀏覽器的功能，把URL作為HTTP請求的內(nèi)容發(fā)送到服務(wù)器端， 然后讀取服務(wù)器端的響應(yīng)資源。

在Python中，我們使用urllib2這個組件來抓取網(wǎng)頁。
urllib2是Python的一個獲取URLs(Uniform Resource Locators)的組件。

它以urlopen函數(shù)的形式提供了一個非常簡單的接口。

最簡單的urllib2的應(yīng)用代碼只需要四行。

我們新建一個文件urllib2_test01.py來感受一下urllib2的作用：

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

按下F5可以看到運行的結(jié)果：

我們可以打開百度主頁，右擊，選擇查看源代碼（火狐OR谷歌瀏覽器均可），會發(fā)現(xiàn)也是完全一樣的內(nèi)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?nèi)看蛴×顺鰜怼?/p>

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是基于請求和應(yīng)答機制的：

客戶端提出請求，服務(wù)端提供應(yīng)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創(chuàng)建一個Request對象，

通過調(diào)用urlopen并傳入Request對象，將返回一個相關(guān)請求response對象，

這個應(yīng)答對象如同一個文件對象，所以你可以在Response中調(diào)用.read()。

我們新建一個文件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(nèi)容和test01是一樣的。

urllib2使用相同的接口處理所有的URL頭。例如你可以像下面那樣創(chuàng)建一個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(fā)送data表單數(shù)據(jù)

這個內(nèi)容相信做過Web端的都不會陌生，

有時候你希望發(fā)送一些數(shù)據(jù)到URL(通常URL與CGI[通用網(wǎng)關(guān)接口]腳本，或其他WEB應(yīng)用程序掛接)。

在HTTP中,這個經(jīng)常使用熟知的POST請求發(fā)送。

這個通常在你提交一個HTML表單時由你的瀏覽器來做。

并不是所有的POSTs都來源于表單，你能夠使用POST提交任意的數(shù)據(jù)到你自己的程序。

一般的HTML表單，data需要編碼成標準形式。然后做為data參數(shù)傳到Request對象。

編碼工作使用urllib的函數(shù)而非urllib2。

我們新建一個文件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(fā)送請求同時傳data表單
response = urllib2.urlopen(req)  #接受反饋的信息
the_page = response.read()  #讀取反饋的內(nèi)容

如果沒有傳送data參數(shù)，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"，

它們會由于某種途徑改變系統(tǒng)狀態(tài)(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 urllib
data = {}
data['name'] = 'WHY'  
data['location'] = 'SDU'  
data['language'] = 'Python'
url_values = urllib.urlencode(data)  
print url_values
name=Somebody+Here&language=Python&location=Northampton  
url = 'http://www.example.com/example.cgi'  
full_url = url + '?' + url_values
data = urllib2.open(full_url) 

這樣就實現(xiàn)了Data數(shù)據(jù)的Get傳送。

2.設(shè)置Headers到http請求

有一些站點不喜歡被程序（非人為訪問）訪問，或者發(fā)送不同版本的內(nèi)容到不同的瀏覽器。

默認的urllib2把自己作為“Python-urllib/x.y”(x和y是Python主版本和次版本號,例如Python-urllib/2.7)，

這個身份可能會讓站點迷惑，或者干脆不工作。

瀏覽器確認自己身份是通過User-Agent頭，當你創(chuàng)建了一個請求對象，你可以給他一個包含頭數(shù)據(jù)的字典。

下面的例子發(fā)送跟上面一樣的內(nèi)容，但把自身模擬成Internet Explorer。

（多謝大家的提醒，現(xiàn)在這個Demo已經(jīng)不可用了，不過原理還是那樣的）。

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()  

以上就是python利用urllib2通過指定的URL抓取網(wǎng)頁內(nèi)容的全部內(nèi)容，非常簡單吧，希望對大家能有所幫助

最新評論