Python爬蟲中urllib.request庫(kù)

Python爬蟲中urllib.request庫(kù)？很多新手對(duì)此不是很清楚，為了幫助大家解決這個(gè)難題，下面小編將為大家詳細(xì)講解，有這方面需求的人可以來學(xué)習(xí)下，希望你能有所收獲。

爬蟲——urllib.request庫(kù)的基本使用

所謂網(wǎng)頁抓取，就是把URL地址中指定的網(wǎng)絡(luò)資源從網(wǎng)絡(luò)流中讀取出來，保存到本地。在Python中有很多庫(kù)可以用來抓取網(wǎng)頁，我們先學(xué)習(xí)urllib.request。（在python2.x中為urllib2）

urlopen

我們先閱讀以下代碼：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
# 導(dǎo)入urllib.request庫(kù)
import urllib.request
 
# 向指定的url發(fā)送請(qǐng)求，并返回服務(wù)器響應(yīng)的類文件對(duì)象
response = urllib.request.urlopen("http://www.baidu.com/")
 
# 類文件對(duì)象支持 文件對(duì)象的操作方法，如read()方法讀取文件全部?jī)?nèi)容，返回字符串
html = response.read()
 
# 打印字符串
print(html)

實(shí)際上，如果我們?cè)跒g覽器上打開百度主頁，右鍵選擇“查看源代碼”，你會(huì)發(fā)現(xiàn)，跟我們執(zhí)行上面的程序輸出的結(jié)果是一模一樣的。也就是說，上面的幾行代碼就已經(jīng)幫我們把百度的主頁的全部代碼爬了下來。

Reuqest

在上面的例子里，urlopen()的參數(shù)就是一個(gè)url地址。

但是如果需要執(zhí)行更復(fù)雜的操作，比如增加HTTP報(bào)頭，則必須創(chuàng)建一個(gè)Request實(shí)例來作為urlopen()的參數(shù)，而需要訪問的url地址則作為Request實(shí)例的參數(shù)。

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
# 導(dǎo)入urllib.request庫(kù)
import urllib.request
 
# url 作為Request()方法的參數(shù)，構(gòu)造并返回一個(gè)Request對(duì)象
request = urllib.request.Request("http://www.baidu.com/")
 
# 向服務(wù)器發(fā)送這個(gè)請(qǐng)求
response = urllib.request.urlopen(request)
 
html = response.read()
 
print(html)

運(yùn)行結(jié)果是完全一樣的：

新建的Request實(shí)例，除了必須要有url參數(shù)之外，還可以設(shè)置另外兩個(gè)參數(shù)：

1.data（默認(rèn)為空）：是伴隨url提交的數(shù)據(jù)（比如post的數(shù)據(jù)），同時(shí)HTTP請(qǐng)求將從“GET”方式改為“POST”方式。

2.headers（默認(rèn)為空）：是一個(gè)字典，包含了需要發(fā)送的HTTP報(bào)頭的鍵值對(duì)。

User-Agent

如果我們希望我們的爬蟲程序更像一個(gè)真實(shí)用戶，那們我們第一步，就是需要偽裝成一個(gè)被公認(rèn)的瀏覽器。用不同的瀏覽器在發(fā)送請(qǐng)求的時(shí)候，會(huì)有不同的User-Agent頭。urllib.request默認(rèn)的User-Agent頭為：Python-urllib/x.y（x和y是Python主版本和次版本號(hào)，例如Python-urllib/3.5）

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
# 導(dǎo)入urllib.request庫(kù)
import urllib.request
 
# chrome 的 User-Agent，包含在 header里
header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}
 
# url 連同 headers，一起構(gòu)造Request請(qǐng)求，這個(gè)請(qǐng)求將附帶 chrome 瀏覽器的User-Agent
request = urllib.request.Request("http://www.baidu.com/", headers = header)
 
# 向服務(wù)器發(fā)送這個(gè)請(qǐng)求
response = urllib.request.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(gòu)造一個(gè)完整的HTTP請(qǐng)求消息。

可以通過調(diào)用Request.add_header() 添加/修改一個(gè)特定的header
也可以通過調(diào)用Request.get_header()來查看已有的header。

添加一個(gè)特定的header

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
# 導(dǎo)入urllib.request庫(kù)
import urllib.request
 
# chrome 的 User-Agent，包含在 header里
header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}
 
# url 連同 headers，一起構(gòu)造Request請(qǐng)求，這個(gè)請(qǐng)求將附帶 chrome 瀏覽器的User-Agent
request = urllib.request.Request("http://www.baidu.com/", headers = header)
 
# 也可以通過調(diào)用Request.add_header() 添加/修改一個(gè)特定的header
request.add_header("Connection", "keep-alive")
 
# 向服務(wù)器發(fā)送這個(gè)請(qǐng)求
response = urllib.request.urlopen(request)
 
html = response.read()
 
print(html)

看完上述內(nèi)容是否對(duì)您有幫助呢？如果還想對(duì)相關(guān)知識(shí)有進(jìn)一步的了解或閱讀更多相關(guān)文章，請(qǐng)關(guān)注億速云行業(yè)資訊頻道，感謝您對(duì)億速云的支持。