旗下导航:搜·么
当前位置:网站首页 > Python教程 > 正文

Python怎样装置urllib2库【Python教程】,Python

作者:搜教程发布时间:2019-11-27分类:Python教程浏览:86评论:0


导读: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...

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!

标签:Python


欢迎 发表评论: