urllib2 是 Python2.7 自带的模块(不须要下载,导入即可运用)。
urllib2库的基础运用
所谓网页抓取,就是把URL地点中指定的收集资源从收集流中读取出来,保存到当地。 在Python中有许多库能够用来抓取网页,我们先进修urllib2。
urllib2 是 Python2.7 自带的模块(不须要下载,导入即可运用) urllib2 官方文档:https://docs.python.org/2/library/urllib2.html urllib2 源码:https://hg.python.org/cpython/file/2.7/Lib/urllib2.py
urllib2 在 python3.x 中被改成urllib.request
urlopen
我们先来段代码:
# urllib2_urlopen.py # 导入urllib2 库 import urllib2 # 向指定的url发送要求,并返回服务器相应的类文件对象 response = urllib2.urlopen("http://www.baidu.com") # 类文件对象支撑 文件对象的操纵要领,如read()要领读取文件悉数内容,返回字符串 html = response.read() # 打印字符串 print html
实行写的python代码,将打印效果
Power@PowerMac ~$: python urllib2_urlopen.py
实际上,假如我们在浏览器上翻开百度主页, 右键挑选“检察源代码”,你会发明,跟我们适才打印出来的是如出一辙。也就是说,上面的4行代码就已帮我们把百度的首页的悉数代码爬了下来。
一个基础的url要求对应的python代码真的异常简朴。
Request
在我们第一个例子里,urlopen()的参数就是一个url地点;
然则假如须要实行更庞杂的操纵,比方增添HTTP报头,必需建立一个 Request 实例来作为urlopen()的参数;而须要接见的url地点则作为 Request 实例的参数。
我们编辑urllib2_request.py
# urllib2_request.py import urllib2 # url 作为Request()要领的参数,组织并返回一个Request对象 request = urllib2.Request("http://www.baidu.com") # Request对象作为urlopen()要领的参数,发送给服务器并吸收相应 response = urllib2.urlopen(request) html = response.read() print html
运转效果是完全一样的:
新建Request实例,除了必需要有 url 参数以外,还能够设置别的两个参数: data(默许空):是陪伴 url 提交的数据(比方要post的数据),同时 HTTP 要求将从 "GET"体式格局 改成 "POST"体式格局。 headers(默许空):是一个字典,包含了须要发送的HTTP报头的键值对。 这两个参数下面会说到。
User-Agent
然则如许直接用urllib2给一个网站发送要求的话,确切略有些冒昧了,就比如,人家每家都有门,你以一个路人的身份直接闯进去明显不是很规矩。而且有一些站点不喜欢被顺序(非工资接见)接见,有可能会谢绝你的接见要求。
然则假如我们用一个正当的身份去要求他人网站,明显人家就是迎接的,所以我们就应该给我们的这个代码加上一个身份,就是所谓的User-Agent头。
浏览器 就是互联网世界上公认被许可的身份,假如我们愿望我们的爬虫顺序更像一个实在用户,那我们第一步,就是须要伪装成一个被公认的浏览器。用差别的浏览器在发送要求的时刻,会有差别的User-Agent头。 urllib2默许的User-Agent头为:Python-urllib/x.y(x和y是Python主版本和次版本号,比方 Python-urllib/2.7)
#urllib2_useragent.py import urllib2 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 连同 headers,一同组织Request要求,这个要求将附带 IE9.0 浏览器的User-Agent request = urllib2.Request(url, headers = ua_header) # 向服务器发送这个要求 response = urllib2.urlopen(request) html = response.read() print html
增加更多的Header信息
在 HTTP Request 中到场特定的 Header,来组织一个完全的HTTP要求音讯。
能够经由过程挪用Request.add_header() 增加/修正一个特定的header 也能够经由过程挪用Request.get_header()来检察已有的header。
增加一个特定的header
# urllib2_headers.py import urllib2 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 = urllib2.Request(url, headers = header) #也能够经由过程挪用Request.add_header() 增加/修正一个特定的header request.add_header("Connection", "keep-alive") # 也能够经由过程挪用Request.get_header()来检察header信息 # request.get_header(header_name="Connection") response = urllib2.urlopen(req) print response.code #能够检察相应状况码 html = response.read() print html
随机增加/修正User-Agent
# urllib2_add_headers.py import urllib2 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 = urllib2.Request(url) #也能够经由过程挪用Request.add_header() 增加/修正一个特定的header request.add_header("User-Agent", user_agent) # 第一个字母大写,背面的悉数小写 request.get_header("User-agent") response = urllib2.urlopen(req) html = response.read() print html
相干教程引荐:Python视频教程
以上就是Python怎样装置urllib2库的细致内容,更多请关注ki4网别的相干文章!