python 获取网页

使用python获取网页需要使用到urllib模块，我们先导入：

from urllib.request import Request,urlopen

下面用Request生成一个请求头，这里抓取的是百度的首页：

req = Request('https://www.baidu.com/')
req.add_header('User-Agent', 'Mozilla/6.0 (iPhone; CPU iPhone OS 8_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) Version/8.0 Mobile/10A5376e Safari/8536.25')

也可以这样写：

req = Request('https://www.baidu.com/', headers={'User-Agent':'Mozilla/6.0 (iPhone; CPU iPhone OS 8_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) Version/8.0 Mobile/10A5376e Safari/8536.25'})

哪一个更好，这就看大家的个人喜好了。

请求头的信息，我们可以通过浏览器的开发人员工具获得：

添加请求头的意义在于防止服务器的过滤，一些服务器会屏蔽没有请求头的请求。

下面我们就可以使用urlopen就可以打开网页了，不过urlopen的返回值是一个类：<class 'http.client.HTTPResponse'>我们需要read函数来获得网页的源代码。

file = urlopen(req).read()

file中储存的就是网页的html编码，我们可以用print将网页打印下来，或是保存在一个文件里。

with open('out.html', 'wb') as f:
    f.write(file)

打开我们的网页文件，就是百度的首页：

值得一提的是，我们抓取的网页，其实只是百度首页的html文件。但在在浏览器中打开时，浏览器会自动从网络上下载关联的图片、js、css文件等将我们的网页补全了。

总的来说用python抓取网页本身是很简单的，复杂重复的工作，python都通过了模块来完成，python本身就是一门立足于简介的语言。

下面是我的python脚本：

from urllib.request import Request, urlopen

req = Request('https://www.baidu.com/')
req.add_header('User-Agent',
               'Mozilla/6.0 (iPhone; CPU iPhone OS 8_0 like Mac OS X) AppleWebKit/536.26 (KHTML, like Gecko) Version/8.0 Mobile/10A5376e Safari/8536.25')

file = urlopen(req).read()

with open('out.html', 'wb') as f:
    f.write(file)

python版本：python3.4
2.7与此类似

<如有遗漏，欢迎留言补充，转载请注明出处>