Python爬虫入门三之Urllib库的基本使用
那么接下来,小伙伴们就一起和我真正迈向我们的爬虫之路吧。
1.分分钟扒一个网页下来
怎样扒网页呢?其实就是根据URL来获取它的网页信息,虽然我们在浏览器中看到的是一幅幅优美的画面,但是其实是由浏览器解释才呈现出来的,实质它是一段HTML代码,加 JS、CSS,如果把网页比作一个人,那么HTML便是他的骨架,JS便是他的肌肉,CSS便是它的衣服。所以最重要的部分是存在于HTML中的,下面我们就写个例子来扒一个网页下来。
1
2
3
4
|
import
urllib2
response
=
urllib2
.
urlopen
(
"http://www.baidu.com"
)
print
response
.
read
(
)
|
是的你没看错,真正的程序就两行,把它保存成 demo.py,进入该文件的目录,执行如下命令查看运行结果,感受一下。
1
|
python
demo
.
py
|
看,这个网页的源码已经被我们扒下来了,是不是很酸爽?
2.分析扒网页的方法
那么我们来分析这两行代码,第一行
1
|
response
=
urllib2
.
urlopen
(
"http://www.baidu.com"
)
|
首先我们调用的是urllib2库里面的urlopen方法,传入一个URL,这个网址是百度首页,协议是HTTP协议,当然你也可以把HTTP换做FTP,FILE,HTTPS 等等,只是代表了一种访问控制协议,urlopen一般接受三个参数,它的参数如下:
1
|
urlopen
(
url
,
data
,
timeout
)
|
第一个参数url即为URL,第二个参数data是访问URL时要传送的数据,第三个timeout是设置超时时间。
第二三个参数是可以不传送的,data默认为空None,timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT
第一个参数URL是必须要传送的,在这个例子里面我们传送了百度的URL,执行urlopen方法之后,返回一个response对象,返回信息便保存在这里面。
1
|
print
response
.
read
(
)
|
response对象有一个read方法,可以返回获取到的网页内容。
如果不加read直接打印会是什么?答案如下:
1
|
<
addinfourl
at
139728495260376
whose
fp
=
<
socket
.
_fileobject
object
at
0x7f1513fb3ad0
>>
|
直接打印出了该对象的描述,所以记得一定要加read方法,否则它不出来内容可就不怪我咯!
3.构造Request
其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例,构造时需要传入Url,Data等等的内容。比如上面的两行代码,我们可以这么改写
1
2
3
4
5
|
import
urllib2
request
=
urllib2
.
Request
(
"http://www.baidu.com"
)
response
=
urllib2
.
urlopen
(
request
)
print
response
.
read
(
)
|
运行结果是完全一样的,只不过中间多了一个request对象,推荐大家这么写,因为在构建请求时还需要加入好多内容,通过构建一个request,服务器响应请求得到应答,这样显得逻辑上清晰明确。
4.POST和GET数据传送
上面的程序演示了最基本的网页抓取,不过,现在大多数网站都是动态网页,需要你动态地传递参数给它,它做出对应的响应。所以,在访问时,我们需要传递数据给它。最常见的情况是什么?对了,就是登录注册的时候呀。
把数据用户名和密码传送到一个URL,然后你得到服务器处理之后的响应,这个该怎么办?下面让我来为小伙伴们揭晓吧!
数据传送分为POST和GET两种方式,两种方式有什么区别呢?
最重要的区别是GET方式是直接以链接形式访问,链接中包含了所有的参数,当然如果包含了密码的话是一种不安全的选择,不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数,不过如果你想直接查看提交了什么就不太方便了,大家可以酌情选择。
POST方式:
上面我们说了data参数是干嘛的?对了,它就是用在这里的,我们传送的数据就是这个参数data,下面演示一下POST方式。
1
2
3
4
5
6
7
8
9
|
import
urllib
import
urllib2
values
=
{
"username"
:
"1016903103@qq.com"
,
"password"
:
"XXXX"
}
data
=
urllib
.
urlencode
(
values
)
url
=
"https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
request
=
urllib2
.
Request
(
url
,
data
)
response
=
urllib2
.
urlopen
(
request
)
print
response
.
read
(
)
|
我们引入了urllib库,现在我们模拟登陆CSDN,当然上述代码可能登陆不进去,因为CSDN还有个流水号的字段,没有设置全,比较复杂在这里就不写上去了,在此只是说明登录的原理。一般的登录网站一般是这种写法。
我们需要定义一个字典,名字为values,参数我设置了username和password,下面利用urllib的urlencode方法将字典编码,命名为data,构建request时传入两个参数,url和data,运行程序,返回的便是POST后呈现的页面内容。
注意上面字典的定义方式还有一种,下面的写法是等价的
1
2
3
4
5
6
7
8
9
10
11
|
import
urllib
import
urllib2
values
=
{
}
values
[
'username'
]
=
"1016903103@qq.com"
values
[
'password'
]
=
"XXXX"
data
=
urllib
.
urlencode
(
values
)
url
=
"http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
request
=
urllib2
.
Request
(
url
,
data
)
response
=
urllib2
.
urlopen
(
request
)
print
response
.
read
(
)
|
以上方法便实现了POST方式的传送
GET方式:
至于GET方式我们可以直接把参数写到网址上面,直接构建一个带参数的URL出来即可。
1
2
3
4
5
6
7
8
9
10
11
12
|
import
urllib
import
urllib2
values
=
{
}
values
[
'username'
]
=
"1016903103@qq.com"
values
[
'password'
]
=
"XXXX"
data
=
urllib
.
urlencode
(
values
)
url
=
"http://passport.csdn.net/account/login"
geturl
=
url
+
"?"
+
data
request
=
urllib2
.
Request
(
geturl
)
response
=
urllib2
.
urlopen
(
request
)
print
response
.
read
(
)
|
你可以print geturl,打印输出一下url,发现其实就是原来的url加?然后加编码后的参数
1
|
http
:
//passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX
|
和我们平常GET访问方式一模一样,这样就实现了数据的GET方式传送。
本节讲解了一些基本使用,可以抓取到一些基本的网页信息,小伙伴们加油!
转载请注明:静觅 » Python爬虫入门三之Urllib库的基本使用