Python爬虫入门三之Urllib库的基本使用

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。

#!/usr/bin/env python3
#coding:utf-8

import urllib.request

response = urllib.request.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。

unix > python3 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

response = urllib.request.urlopen('http://www.baidu.com')

首先我们调用的是urllib.request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：

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。

print(response.read())

response对象有一个read()方法，可以返回获取到的网页内容。

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

#!/usr/bin/env python3
#coding:utf-8

import urllib.request
request = urllib.request.Request('http://www.baidu.com')
response = urllib.request.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。最常见的情况就是登录注册

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

数据传送分为POST和GET两种方式

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

GET方式：

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。

#!/usr/bin/env python3
#coding:utf-8

import urllib.parse, urllib.request

values = {}
values['username'] = 'seanliu96@outlook.com'
values['password'] = '123456789'
data = urllib.parse.urlencode(values)
url = 'http://passport.csdn.net/account/login'
get_url = url + '?' + data
print(get_url)
request = urllib.request.Request(get_url)
response = urllib.request.urlopen(request)
print(response.read())

print（get_url)，发现其实就是原来的url+ ？ +加编码后的参数

http://passport.csdn.net/account/login?username=seanliu96%40outlook.com&password=123456789

这样就实现了数据的GET方式传送。

POST方式：

我们传送的数据就是使用这个参数data，下面演示一下POST方式。

#!/usr/bin/env python3
#coding:utf-8

import urllib.request, urllib.parse

values = {}
values['username'] = 'seanliu96@outlook.com'
values['password'] = '123456789'
data = urllib.parse.urlencode(values)
url = 'http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn'
request = urllib.request.Request(url, data.encode('utf-8'))
response = urllib.request.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.request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。注意，Python3需要将data编码成bytes类型。运行程序，返回的便是POST后呈现的页面内容。以上方法便实现了POST方式的传送

转载于：静觅 » Python爬虫入门三之Urllib库的基本使用