5.Python爬虫入门三之Urllib2库的基本使用

Posted 2020-07-11

1.分分钟爬一个网页下来

      怎么爬网页呢？其实就是根据URL来获取它的网页信息，虽然我们在浏览器中看到的一幅幅优美的画面，但是其实是由浏览器解释才呈现出来的，实质它是一段html代码，加JS、CSS，如果把网页比作一个人，那么HTML便是他的骨架，JS便是他的肌肉，CSS便是他的衣服。所以最重要部分是存在于HTML中的，下面我们就写个例子来扒一个网页下来。

import urllib2

response=urllib2.urlopen(‘https://www.baidu.com/‘)
print response.read()

把它保存成case1.py，进入该文件的目录，执行命令

 

到这里我们可以看到，网页的源代码已经被我们扒下来了

 

2.分析扒网页的方法

       我们来分析一下上面的代码，第一行

response = urllib2.urlopen(‘https://www.baidu.com/‘)

       首先我们调用的是urllib2库里面的urlopen方法，传入一个URL，这个网址是百度首页，协议是https协议，当然你也可以把https换成ftp、file、http等，只是代表了一种访问控制权限，urlopen一般接受三个参数，它的参数如下：

urlopen(url, data, timeout)

        第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。

        第二三个参数是可以不传递的，data默认为空None，timeout默认为socket._GLOBAL_DEFAULT_TIMEOUT。

        第一个参数URL是必须要传递的，在这个例子里面我们传送了百度的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。

print response.read()

        response对象有一个read方法，可以返回获取到的网页内容，然后用Print打印出来就可以看了。

 

3.构造Request

        其实上面的urlopen参数可以传入一个request请求，它其实就是一个Request类的实例，构造时需要传入URL，data等等的内容。比如上面的两行代码，我们可以这么改写，

import urllib2

request=urllib2.Request(‘https://www.baidu.com/‘)
response=urllib2.urlopen(request)
print response.read()

        运行结果是完全一样的，只不过中间多了一个request对象，推荐大家这么写，因为在构建请求时还需要加入好多内容，通过构建一个request，服务器响应请求得到应答，这样显得逻辑上清晰明确。

 

4.POST和GET数据传送

     上面的程序演示了最基本的网页抓取，不过，现在大多数网站都是动态网页，需要你动态地传递参数给它，它做出对应的响应。所以，在访问时，我们需要传递数据给它。最常见的情况是什么？对了，就是登录注册的时候呀。

      把数据用户名和密码传送到一个URL，然后你得到服务器处理之后的响应，这个该怎么办？下面让我来为小伙伴们揭晓吧！

      数据传送分为POST和GET两种方式，两种方式有什么区别呢？

      最重要的区别是GET方式是直接以链接形式访问，链接中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。POST则不会再网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了，大家可以酌情选择。

 

      POST方式：

      上面我们说了data参数是干嘛的？它就是用在这里的，我们传送的数据就是这个参数data，下面演示一下POST方式。

import urllib
import urllib2

values = {‘username‘:‘[email protected]‘,‘password‘:‘XXXX‘}
data = urllib.urlencode(values)
url = ‘https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn‘
request = urllib2.Request(url,data)
response = urllib2.urlopen(request)
print response.read()

      我们引入了urllib库，现在我们模拟登陆CSDN，当然上述代码可能登陆不进去，因为还要做一些设置头部header的工作，或者还有一些参数没有设置全，还没有提及到在此就不写上去了，在此只是说明登录的原理。我们需要定义一个字典，名字为values，参数我设置了username和password，下面利用urllib的urlencode方法将字典编码，命名为data，构建request时传入两个参数，url和data，运行程序，即可实现登陆，返回的便是登陆后呈现的页面内容。当然你可以自己搭建一个服务器来测试一下。

      注意上面字典的定义方式还有一种，下面的写法是等价的

import urllib
import urllib2
 
values = {}
values[‘username‘] = "[email protected]"
values[‘password‘] = "XXXX"
data = urllib.urlencode(values) 
url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
request = urllib2.Request(url,data)
response = urllib2.urlopen(request)
print response.read()

      以上方法便实现了POST方式的传送

 

      GET方式：

      至于GET方式我们可以直接把参数写到了网址上面，直接构建一个带参数的URL出来即可。

import urllib
import urllib2

values={}
values[‘username‘]=‘[email protected]‘
values[‘password‘]=‘XXXX‘
data = urllib.urlencode(values)
url = ‘https://passport.csdn.net/account/login‘
geturl = url+‘?‘+data
print geturl
request = urllib2.Request(geturl)
response = urllib2.urlopen(request)
print response.read()

        你可以print geturl，打印输出一下url，发现其实就是原来的url加？然后加编码后的参数

https://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX

        和我们平常GET访问方式一模一样，这样就实现了数据的GET方式传送