所謂網頁抓取，就是把URL地址中指定的網絡資源從網絡流中讀取出來，保存到本地。在Python中有很多庫可以用來抓取網頁，我們先學習urllib2。
urllib2是Python2.x自帶的模塊(不需要下載，導入即可使用)
urllib2官網文檔：https://docs.python.org/2/library/urllib2.html
urllib2源碼
urllib2在python3.x中被改為urllib.request
urlopen
我們先來段代碼：
#-*- coding:utf-8 -*-
#01.urllib2_urlopen.py
#導入urllib2庫
import urllib2
#向指定的url發送請求，并返回服務器的類文件對象
response = urllib2.urlopen("http://www.baidu.com")
#類文件對象支持文件對象的操作方法，如read()方法讀取文件
html = response.read()
#打印字符串
print(html)
執行寫好的python代碼，將打印結果：
python2 01.urllib2_urlopen.py
實際上，如果我們在瀏覽器打上百度主頁，右鍵選擇"查看源代碼"，你會發現，跟我們剛才打印出來的是一模一樣的。也就是說，上面的4行代碼就已經幫我們把百度的首頁的全部代碼爬了下來。
一個基本的url請求對應的python代碼真的非常簡單。
Request
查看官方文檔url的用法如下：
urllib2.urlopen(url[, data[, timeout[, cafile[, capath[, cadefault[, context]]]]])
Open the URL url, which can be either a string or a Request object.
在我們第一個例子里，urlopen()的參數就是一個url地址;
但是如果需要執行更復雜的操作，比如增加http報頭，則必須創建一個Request實例來作為urlopen()的參數;而需要訪問的url地址則作為Request實例的參數。
#-*- coding:utf-8 -*-
#02.urllib2_request.py
import urllib2
#url作為Request()方法的參數，構造并返回一個Request對象
request = urllib2.Request("http://www.baidu.com")
#Request對象作為一個urlopen()方法的參數，發送給服務器并接收響應
response = urllib2.urlopen(request)
html = response.read()
print(html)
運行結果是完全一樣的：
新建Request實例，除了必須要有url參數之外，還可以設置另外兩個參數：
data(默認空)：是伴隨url提交的數據(比如要post的數據)，同時HTTP請求將從"GET"方式改為"POST"方式。
headers(默認空)：是一個字典，包含了需要發送的HTTP報頭的鍵值對。
這兩個參數下面會說到。
User-Agent
但是這樣直接用urllib2給一個網站發送請求的話，確實略有些唐突了，就好比，人家每家都有門，你以一個路人的身份直接闖進去顯然不是很禮貌。而且有一些站點不喜歡被程序(非人為訪問)訪問，有可能會拒絕你的訪問請求。
但是如果我們用一個合法的身份去請求別人網站，顯然人家就是歡迎的，所以我們就應該給我們的這個代碼加上一個身份，就是所謂的User-Agent頭。
瀏覽器就是互聯網世界公認被允許的身份，如果我們希望我們的爬蟲程序更像一個真實用戶，那我們第一步，就是需要偽裝成一個被公認的瀏覽器。用不同的瀏覽器在發送請求的時候，會有不同的User-Agent頭。urllib2默認的User-Agent頭為：Python-urllib/x.y(x和y是Python主版本和次版本號，例如Python-urllib/2.7)
#-*- coding:utf-8 -*-
#03.urllib2_useragent.py
import urllib2
url = "http://www.itcast.cn"
#IE 9.0的User-Agent,包含ua-header里
ua_header = {"User-Agent":"Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
# url連同headers,一起構造Request請求，這個請求將附帶IE9.0瀏覽器的User-Agent
request = urllib2.Request(url, headers = ua_header)
#向服務器發送這個請求
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，來構造一個完整的HTTP請求。
可以通過調用Request.add_header()添加/修改一個特定的header也可以通過調用Request.get_header()來查看已有的header。
添加一個特定的header
#-*- coding:utf-8 -*-
#04.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)
#也可以通過調用Request.add_header()添加/修改一個特定的header
request.add_header("Connection","keep-alive")
#也可以通過調用Request.get_header()來查看header信息
request.get_header(header_name = "Connection")
response = urllib2.urlopen(request)
print(response.code) #可以查看響應狀態碼
html = response.read()
print(html)
隨機添加/修改User-Agent
#-*- coding:utf-8 -*-
#05.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)
#也可以通過調用Request.add_header()添加/修改一個特定的header
request.add_header("User-Agent", user_agent)
#第一個字母大寫，后面的全部小寫
request.add_header("User-agent")
response = urllib2.urlopen(req)
html = response.read()
print(html)
注意
The urllib2 module has been split across several modules in Python 3 named urllib.request and urllib.error
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
