5.Python爬虫入门三之Urllib2库的基本使用
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了5.Python爬虫入门三之Urllib2库的基本使用相关的知识,希望对你有一定的参考价值。
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
以上是关于5.Python爬虫入门三之Urllib2库的基本使用的主要内容,如果未能解决你的问题,请参考以下文章