一、urllib库的基本使用
1读取静态网页
import urllib
import urllib2
url = 'http://cuiqingcai.com/947.html'
print urllib2.urlopen(url).read()
urllib2.urlopen(url ,data=None, timeout=socket._GLOBAL_DEFAULT_TIMEOUT, cafile=None, capath=None, cadefault=False, context=None)
urllib2.urllib()的参数含义:
参数 | 解释 |
---|---|
url | 1.可以是要访问的网址 2.也可以是由网址构成的Request对象 |
data | 访问url时需要传输的数据 默认为None |
timeout | 设置超时时长 默认为socket._GLOBAL_DEFAULT_TIMEOUT |
举个栗子:
a = urllib2.urlopen('http://www.baidu.com', data=None, timeout=10).read() b = urllib2.urlopen(urllib2.Request('http://www.baidu.com', data=None, timeout=10).read() print a, b
2.读取动态网页:动态传送参数数据
2.1 post方式
values = {'username': '635943647@qq.com', 'password': '*******'}
data = urllib.urlencode(values) # data='username=635943647%40qq.com&password=%2A%2A%2A%2A%2A'
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()
2.2 get方式
values = {'username': '635943647@qq.com', 'password': '*******'}
data = urllib.urlencode(values) # data='username=635943647%40qq.com&password=%2A%2A%2A%2A%2A'
url = 'https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn'
get_url = url + data
request = urllib2.Request(geturl)
respnse = urllib2.urlopen(request)
print response.read()
二、urllib库的高级使用
1.设置Headers
有些网站不会同意程序直接访问,也就不能得到想要的响应值,所以为了模拟浏览器的工作,我们需要设置一些Headers的属性(头信息)
agent:请求的身份, referer:用来反盗链(如果referer不是它自己,有的服务器不会响应) 所以构建以下headers headers = { ‘User-Agent’ : ‘Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)’ ,’Referer’:’
2.代理设置
urllib2默认使用环境变量http_proxy来设置HTTP Proxy。有的网站会检测同一个ip的访问频率,如果频率过高,它会禁止这个ip的访问(反爬虫的重要手段之一)。所以,我们可以设置一些代理服务器,每隔一会换一个代理ip,这样网站就察觉不到了(反反爬虫的重要手段之一)。
import urllib2
enableproxy = True
proxy_handler = urllib2.ProxyHandler({"http://some-proxy.com:8080"}) # 能正常工作的代理ip
numm_proxy_handler = urllib2.ProxyHandler({}) # 无代理
if enable_proxy:
opener = urllib2.build_opener(proxy_andler)
else:
opener = urllib2.build_opener(null_proxy_handler)
urllib2.install_opener(opener)
3.超时设置
可以设置等待多长时间算超时
import urllib2
# 两种设置超时时长的方法:如果有data参数了,就不用加"timeout="这几个字
response1 = urllib2.urlopen('http://www.baidu.com', timeout=10)
response2 = urllib2.urlopen('hepp://www.baidu.com', data, 10)