python爬虫自学网站_Python爬虫学习——获取网页

通过GET请求获取返回的网页，其中加入了User-agent信息，不然会抛出"HTTP Error 403: Forbidden"异常，

因为有些网站为了防止这种没有User-agent信息的访问，会验证请求信息中的UserAgent(它的信息包括硬件平台、系统软件、应用软件和用户个人偏好)，如果UserAgent存在异常或者是不存在,那么这次请求将会被拒绝。

#coding=utf-8

import urllib2

import re

#使用Python2.7

def getHtml(url,user_agent="wswp",num_retries=2):#下载网页，如果下载失败重新下载两次

print '开始下载网页：',url

headers = {"User-agent":user_agent}

#headers = {

# 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; rv:24.0) Gecko/20100101 Firefox/24.0',

# 'cookie': cookie

#}

request = urllib2.Request(url,headers=headers)

try:

html = urllib2.urlopen(request).read()#GET请求

except urllib2.URLError as e:

print "下载失败：",e.reason

html = None

if num_retries > 0:

if hasattr(e,'code') and 500 <= e.code < 600:

return getHtml(url,num_retries-1)

return html

if __name__ == '__main__':

html = getHtml("http://www.baidu.com")

print html

print "结束"

...