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(fā)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(zhí)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(fā)現(xiàn)，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(zhí)行更復雜的操作，比如增加http報頭，則必須創(chuàng)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.pyimport 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(fā)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(fā)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(fā)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(lián)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(fā)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.pyimport urllib2url = "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(fā)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.pyimport urllib2url = "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(tài)碼 html = response.read() print(html)隨機添加/修改User-Agent#-*- coding:utf-8 -*- #05.urllib2_add_headers.pyimport urllib2 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 = 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

轉載于:https://www.cnblogs.com/moying-wq/p/11569768.html

總結

以上是生活随笔為你收集整理的Python爬虫(二)_urllib2的使用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。