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