Python网络爬虫笔记（5）urllib2库的基本使用

超、凢脫俗 2022-05-27 06:58 258阅读 0赞

所谓网页抓取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。 在Python中有很多库可以用来抓取网页，我们先学习`urllib2`。

> urllib2 是 Python2.7 自带的模块(不需要下载，导入即可使用)
> 
> urllib2 官方文档：[https://docs.python.org/2/library/urllib2.html][https_docs.python.org_2_library_urllib2.html]
> 
> urllib2 源码：[https://hg.python.org/cpython/file/2.7/Lib/urllib2.py][https_hg.python.org_cpython_file_2.7_Lib_urllib2.py]

`urllib2` 在 python3.x 中被改为`urllib.request`

`注意：在linux中python自带模块所在的目录为/usr/lib/python2.7,python第三方的模块所在的目录为/usr/local/lib/python2.7/site-package`

## urlopen ##

我们先来段代码：

# urllib2_urlopen.py
    # 导入urllib2 库
    import urllib2
    
    # 向指定的url发送请求，并返回服务器响应的类文件对象
    response = urllib2.urlopen("http://www.baidu.com")
    
    # 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串
    html = response.read()
    
    # 打印字符串
    print html

执行写的python代码，将打印结果

Power@PowerMac ~$: python urllib2_urlopen.py

实际上，如果我们在浏览器上打开百度主页， 右键选择“查看源代码”，你会发现，跟我们刚才打印出来的是一模一样。也就是说，上面的4行代码就已经帮我们把百度的首页的全部代码爬了下来。

一个基本的url请求对应的python代码真的非常简单。

## Request ##

在我们第一个例子里，urlopen()的参数就是一个url地址；

但是如果需要执行更复杂的操作，比如增加HTTP报头，必须创建一个 Request 实例来作为urlopen()的参数；而需要访问的url地址则作为 Request 实例的参数。

我们编辑urllib2\_request.py

# urllib2_request.py
    
    import urllib2
    
    # url 作为Request()方法的参数，构造并返回一个Request对象
    request = urllib2.Request("http://www.baidu.com")
    
    # Request对象作为urlopen()方法的参数，发送给服务器并接收响应
    response = urllib2.urlopen(request)
    
    html = response.read()
    
    print html

##### 运行结果是完全一样的： #####

> 新建Request实例，除了必须要有 url 参数之外，还可以设置另外两个参数：
> 
> 1.  data（默认空）：是伴随 url 提交的数据（比如要post的数据），同时 HTTP 请求将从 "GET"方式 改为 "POST"方式。
> 2.  headers（默认空）：是一个字典，包含了需要发送的HTTP报头的键值对。
> 
> 这两个参数下面会说到。

## User-Agent ##

但是这样直接用urllib2给一个网站发送请求的话，确实略有些唐突了，就好比，人家每家都有门，你以一个路人的身份直接闯进去显然不是很礼貌。而且有一些站点不喜欢被程序（非人为访问）访问，有可能会拒绝你的访问请求。

但是如果我们用一个合法的身份去请求别人网站，显然人家就是欢迎的，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允许的身份，如果我们希望我们的爬虫程序更像一个真实用户，那我们第一步，就是需要伪装成一个被公认的浏览器。用不同的浏览器在发送请求的时候，会有不同的User-Agent头。 urllib2默认的User-Agent头为：`Python-urllib/x.y`（x和y是Python主版本和次版本号,例如 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，一起构造Request请求，这个请求将附带 IE9.0 浏览器的User-Agent
    request = urllib2.Request(url, headers = ua_header)
    
    # 向服务器发送这个请求
    response = urllib2.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，来构造一个完整的HTTP请求消息。

> 可以通过调用`Request.add_header()` 添加/修改一个特定的header 也可以通过调用`Request.get_header()`来查看已有的header。

*  添加一个特定的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)
    
    #也可以通过调用Request.add_header() 添加/修改一个特定的header
    request.add_header("Connection", "keep-alive")
    
    # 也可以通过调用Request.get_header()来查看header信息
    # request.get_header(header_name="Connection")
    
    response = urllib2.urlopen(request)
    
    print response.code     #可以查看响应状态码
    html = response.read()
    
    print html

*  随机添加/修改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)
    
    #也可以通过调用Request.add_header() 添加/修改一个特定的header
    request.add_header("User-Agent", user_agent)
    
    # 第一个字母大写，后面的全部小写
    request.get_header("User-agent")
    
    response = urllib2.urlopen(request)
    
    html = response.read()
    print html

[https_docs.python.org_2_library_urllib2.html]: https://docs.python.org/2/library/urllib2.html
[https_hg.python.org_cpython_file_2.7_Lib_urllib2.py]: https://hg.python.org/cpython/file/2.7/Lib/urllib2.py