正文

3.Python爬虫入门三之Urllib和Urllib2库的基本使用

IP云
IP云V管理员/6 阅读
12/01
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

1.分分钟扒一个网页下来

怎样扒网页呢？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是一幅幅优美的画面，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便是它的衣服。所以最重要的部分是存在于HTML中的，下面我们就写个例子来扒一个网页下来。 

 import urllib

 import urllib2

 response = urllib2.urlopen("http://www.baidu.com")

 print response

是的你没看错，真正的程序就两行，把它保存成 demo.py，进入该文件的目录，执行命令查看运行结果，会发现整个页面的源码就打印出来了。

2.分析扒网页的方法

那么我们来分析这两行代码，第一行： 

response = urllib2.urlopen("http://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HTTP协议，当然你也可以把HTTP换做FTP,FILE,HTTPS 等等，只是代表了一种访问控制协议，urlopen可以接受的三个参数，它的参数如下： 

def urlopen(url, data=None, timeout=socket._GLOBAL_DEFAULT_TIMEOUT,cafile=None, capath=None, cadefault=False, context=None):

一般情况下接受常用的三个参数：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送的，data默认为空None，timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT

第一个参数URL是必须要传送的，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

response对象有一个read方法，可以返回获取到的网页内容。如果不加read直接打印会是什么？会直接打印出内存地址 所以在获取网页源代码的时候需要调用response的read()方法。

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： 

response = urllib2.Request("http://www.baidu.com")

response = urllib2.urlopen(response)

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则不会在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？对了，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。 

#post 方式

values = {'username':'xxxxxx','password':'xxxxxxx'} #设置values 保存了用户名和密码

data = urllib.urlencode(values)# 用urllib的urlencode方法将字典编码

url = 'https://passport.csdn.net/account/login?from=http%3A%2F%2Fmy.csdn.net%2Fmy%2Fmycsdn'

request = urllib2.Request(url,data) #构建的request传入两个参数 即可运行程序登陆

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CSDN还有个流水号的字段，没有设置全，比较复杂在这里就不写上去了，在此只是说明登录的原理。一般的登录网站一般是这种写法。

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，返回的便是POST后呈现的页面内容。

注意上面字典的定义方式还有一种，下面的写法是等价的

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网址上面，直接构建一个带参数的URL出来即可。 

#get 方式

values = {}

values['username'] = '1000000@qq.com'

values['password'] = 'xxxxx'

data = urllib.urlopen(values)

url = 'http://password.csdn.net/account/login'

geturl = url + '?' + data

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。

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。

转载：静觅 » Python爬虫入门三之Urllib库的基本使用

相关阅读

目录[+]