Python爬虫（二）——urllib库，Post与Get数据传送区别，设置Headers，urlopen方法，简单爬虫

一、urllib2概念

urllib2是一个Python模块,可以用来获取URL资源(fetching URLs)，它定义了函数和类，用以协助URL操作（actions），如基本身份验证和摘要式身份验证（basic and digest authentication）、重定向、cookies等

---

二、urllib2和urllib区别

两个模块都是完成URL的请求，但还是有所区别

1、urllin2可以接受一个Request对象，用来设置URL request的头部信息（headers），urllib仅可以接受URL，这意味你不可以通过urllib模块伪装你的User-Agent等字符串（伪装浏览器）

2、urllib提供urlencode方法（urlencode只能对字典编码）用来GET查询字符串的产生，而vrllib2没有，所以很多时候urllib和urllib2一起用

3、urllib2很重要的一个好处就是urllib2.urlopen可以接受Request对象作为参数，从而可以控制HTTP Request的header部

---

三、最简单的爬虫

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# author: xulinjie time:2017/10/22
import urllib2
request=urllib2.Request(r'http://www.zjxu.edu.cn/')
RES=urllib2.urlopen(request).read()
print RES

运行结果（因为学校网站反爬机制不会去怎么做，所以比较好爬）：

当然如果你想把网页趴下来，存到本地，可以通过文件方法如下：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# author: xulinjie time:2017/10/22
import urllib2

request=urllib2.Request(r'http://www.zjxu.edu.cn/')
RES=urllib2.urlopen(request).read()
wfile=open(r'./1.html',r'wb')
wfile.write(RES)
wfile.close()
print RES

Request方法是对URL的请求

.read()方法返回获取到的网页内容（即读取获取到的网页内容）

urlopen方法执行之后是返回一个RES对象，返回的网页信息便保存在RES中

理解urlopen

urlopen一般接受三个参数，urlopen(url,data,timeout)

1.url即URL

2.data是访问URL是要传送的数据

3.timeout是设置超时时间

2和3参数可以部传送，data默认为空None。timeout默认为socket_GLOBAL_DEFAULT_TIMEOUT

---

四、Post与GET数据传送区别

最重要的区别就是：

GET方式是直接以链接形式访问，链接中包含了所有的参数（例如百度中搜索百度二字，会在链接中把一些搜索参数显示出来：https://www.baidu.com/s?ie=UTF-8&wd=%E7%99%BE%E5%BA%A6）这里ie指编码格式，wd代表搜索的关键字。所以很明显，安全性不如Post方法高，但Post的话如果你想查看提交了什么，就不太方便了……

下面有两个demo来做个对比（虽然是不成功，但看看区别就好）

Post方式

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# author: xulinjie time:2017/10/22
import urllib2
import urllib
#post类型

value={"username":"11111","password":"11111"}
data=urllib.urlencode(value)
url="https://passport.hupu.com/login"
request=urllib2.Request(url,data)
RES=urllib2.urlopen(request)
print RES.read()

定义字典类型value，保存username和password，通过urlencode对字典编码返回给data，将数据和url通过Request方法来申请访问，然后再显示出来，当然这里一般的话会显示出登入后的页面，不过这里失败了，应该是有流水等

GET方式

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# author: xulinjie time:2017/10/22
import urllib2
import urllib
#get类型
value={"uesrname":"111111","password":"11111"}
data=urllib.urlencode(value)
url="https://passport.hupu.com/login"
geturl=url+"?"+data   #https://passport.hupu.com/login?password=11111&uesrname=111111
request=urllib2.Request(geturl)
RES=urllib2.urlopen(request)
print geturl
print RES.read()

可以看到通过将url+”?”+data拼接起来赋值给geturl，输出geturl值为：

https://passport.hupu.com/login?password=11111&uesrname=111111

---

五、设置Headers

目的是为了完全模拟浏览器工作，因为有些网站不会同意这么简单的程序就能直接访问，所以要设置一下Headers属性

下面步骤是找到Headers

打开检查页面元素

下拉就能找到User-Agent这些

下面是demo

#!/usr/bin/env python
    # -*- coding:utf-8 -*-
    # author: xulinjie time:2017/10/23
    import urllib2
    url=r'http://my.csdn.net/w_linux'
    headers={"User-Agent":"Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.90 Mobile Safari/537.36"}
    request=urllib2.Request(url,headers=headers)#Request参数有三个，url,data,headers,如果没有data参数，那就得按我这样的写法
    RES=urllib2.urlopen(request).read()
    wfile=open(r'./1.html',r'wb')
    wfile.write(RES)
    wfile.close()
    print RES

将爬取的页面保存到自本地的html中，效果如下

常常用来头部包装的数据

• User-Agent ：这个头部可以携带如下几条信息：浏览器名和版本号、操作系统名和版本号、默认语言

• Referer：可以用来防止盗链，有一些网站图片显示来源http://*.com，就是检查Referer来鉴定的

• Connection：表示连接状态，记录Session的状态。

• Content-Type : 在使用 REST 接口时，服务器会检查该值，用来确定 HTTP Body 中的内容该怎样解析。
• application/xml ： 在 XML RPC，如 RESTful/SOAP 调用时使用
• application/json ： 在 JSON RPC 调用时使用
• application/x-www-form-urlencoded ： 浏览器提交 Web 表单时使用

在使用服务器提供的 RESTful 或 SOAP 服务时， Content-Type 设置错误会导致服务器拒绝服务

---

六、timeout参数设置

该参数是urlopen方法的第三个参数，可以设置等待多久超时，为了解决某些网站反应慢造成影响，

注意：

假如第二个参数data为空那么需要特别指明timeout为多少，写明参数，如果data已经传入那就不必声明了

import urllib2

RES=urllib2.urlopen(r'http://my.csdn.net/w_linux',timeout=8)

或

import urllib2

RES=urllib2.urlopen(r'http://my.csdn.net/w_linux',data,8)