文章目錄

• 一. 前言
• 二. urlopen
• 三. Request
• 四. User-Agent
• 五. 添加更多的Header信息
• • 1. 添加一個(gè)特定的header
  • 2. 隨機(jī)添加/修改User-Agent

一. 前言

所謂網(wǎng)頁(yè)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(lái)，保存到本地。 在Python中有很多庫(kù)可以用來(lái)抓取網(wǎng)頁(yè)，我們先學(xué)習(xí)urllib。

二. urlopen

我們先來(lái)段代碼：

# 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(lèi)文件對(duì)象 response = urllib.request.urlopen("http://www.baidu.com")# 類(lèi)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 ('---------------------') print (html) print ('---------------------')

執(zhí)行寫(xiě)的python代碼，顯示打印結(jié)果。

實(shí)際上，如果我們?cè)跒g覽器上打開(kāi)百度主頁(yè)， 右鍵選擇“查看源代碼”，你會(huì)發(fā)現(xiàn)，跟我們剛才打印出來(lái)的是一模一樣。也就是說(shuō)，上面的4行代碼就已經(jīng)幫我們把百度的首頁(yè)的全部代碼爬了下來(lái)。

一個(gè)基本的url請(qǐng)求對(duì)應(yīng)的python代碼真的非常簡(jiǎn)單。

三. Request

在我們第一個(gè)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，必須創(chuàng)建一個(gè) Request 實(shí)例來(lái)作為urlopen()的參數(shù)；而需要訪問(wèn)的url地址則作為 Request 實(shí)例的參數(shù)。

# urllib_request.pyimport 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")# Request對(duì)象作為urlopen()方法的參數(shù)，發(fā)送給服務(wù)器并接收響應(yīng) response = urllib.request.urlopen(request)html = response.read().decode()print (html)

運(yùn)行結(jié)果是完全一樣的：

新建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)：

data（默認(rèn)空）：是伴隨 url 提交的數(shù)據(jù)（比如要post的數(shù)據(jù)），同時(shí) HTTP 請(qǐng)求將從 "GET"方式 改為 "POST"方式。

headers（默認(rèn)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)。

這兩個(gè)參數(shù)下面會(huì)說(shuō)到。

四. User-Agent

但是這樣直接用urllib給一個(gè)網(wǎng)站發(fā)送請(qǐng)求的話，確實(shí)略有些唐突了，就好比，人家每家都有門(mén)，你以一個(gè)路人的身份直接闖進(jìn)去顯然不是很禮貌。而且有一些站點(diǎn)不喜歡被程序（非人為訪問(wèn)）訪問(wèn)，有可能會(huì)拒絕你的訪問(wèn)請(qǐng)求。

但是如果我們用一個(gè)合法的身份去請(qǐng)求別人網(wǎng)站，顯然人家就是歡迎的，所以我們就應(yīng)該給我們的這個(gè)代碼加上一個(gè)身份，就是所謂的User-Agent頭。

瀏覽器 就是互聯(lián)網(wǎng)世界上公認(rèn)被允許的身份，如果我們希望我們的爬蟲(chóng)程序更像一個(gè)真實(shí)用戶(hù)，那我們第一步，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/2.7）

import urllib.requesturl = "http://www.itcast.cn"#IE 9.0 的 User-Agent，包含在 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(gòu)造Request請(qǐng)求，這個(gè)請(qǐng)求將附帶 IE9.0 瀏覽器的User-Agent request = urllib.request.Request(url, headers = ua_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)

五. 添加更多的Header信息

在 HTTP Request 中加入特定的 Header，來(lái)構(gòu)造一個(gè)完整的HTTP請(qǐng)求消息。

可以通過(guò)調(diào)用Request.add_header() 添加/修改一個(gè)特定的header，也可以通過(guò)調(diào)用Request.get_header()來(lái)查看已有的header。

1. 添加一個(gè)特定的header

import urllib.requesturl = "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 = urllib.request.Request(url, headers = header)#也可以通過(guò)調(diào)用Request.add_header() 添加/修改一個(gè)特定的header request.add_header("Connection", "keep-alive")# 也可以通過(guò)調(diào)用Request.get_header()來(lái)查看header信息 # request.get_header(header_name="Connection")response = urllib.request.urlopen(request)print (response.code) #可以查看響應(yīng)狀態(tài)碼 html = response.read().decode()print (html)

2. 隨機(jī)添加/修改User-Agent

import urllib import randomurl = "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 = urllib.request.Request(url)#也可以通過(guò)調(diào)用Request.add_header() 添加/修改一個(gè)特定的header request.add_header("User-Agent", user_agent)# get_header()的字符串參數(shù)，第一個(gè)字母大寫(xiě)，后面的全部小寫(xiě) request.get_header("User-agent")response = urllib.request.urlopen(requestr)html = response.read() print (html)

總結(jié)

以上是生活随笔為你收集整理的网络爬虫--5.urllib库的基本使用（1）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。