所谓网页抓取,就是把URL地址中指定的网络资源从网络流中读取出来,保存到本地。在Python中有很多库可以用来抓取网页,我们先学习urllib.request。(在python2.x中为urllib2)
urlopen
我们先阅读以下代码:
#!/usr/bin/python3
# -*- conding:utf-8 -*-
__author__ = 'mayi'
# 导入urllib.request库
import urllib.request
# 向指定的url发送请求,并返回服务器响应的类文件对象
response = urllib.request.urlopen("http://www.baidu.com/")
# 类文件对象支持 文件对象的操作方法,如read()方法读取文件全部内容,返回字符串
html = response.read()
# 打印字符串
print(html)
实际上,如果我们在浏览器上打开百度主页,右键选择“查看源代码”,你会发现,跟我们执行上面的程序输出的结果是一模一样的。也就是说,上面的几行代码就已经帮我们把百度的主页的全部代码爬了下来。
Reuqest
在上面的例子里,urlopen()的参数就是一个url地址。
但是如果需要执行更复杂的操作,比如增加HTTP报头,则必须创建一个Request实例来作为urlopen()的参数,而需要访问的url地址则作为Request实例的参数。
#!/usr/bin/python3
# -*- conding:utf-8 -*-
__author__ = 'mayi'
# 导入urllib.request库
import urllib.request
# url 作为Request()方法的参数,构造并返回一个Request对象
request = urllib.request.Request("http://www.baidu.com/")
# 向服务器发送这个请求
response = urllib.request.urlopen(request)
html = response.read()
print(html)
运行结果是完全一样的:
新建的Request实例,除了必须要有url参数之外,还可以设置另外两个参数:
1.data(默认为空):是伴随url提交的数据(比如post的数据),同时HTTP请求将从“GET”方式改为“POST”方式。
2.headers(默认为空):是一个字典,包含了需要发送的HTTP报头的键值对。
User-Agent
如果我们希望我们的爬虫程序更像一个真实用户,那们我们第一步,就是需要伪装成一个被公认的浏览器。用不同的浏览器在发送请求的时候,会有不同的User-Agent头。urllib.request默认的User-Agent头为:Python-urllib/x.y(x和y是Python主版本和次版本号,例如Python-urllib/3.5)
#!/usr/bin/python3
# -*- conding:utf-8 -*-
__author__ = 'mayi'
# 导入urllib.request库
import urllib.request
# chrome 的 User-Agent,包含在 header里
header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}
# url 连同 headers,一起构造Request请求,这个请求将附带 chrome 浏览器的User-Agent
request = urllib.request.Request("http://www.baidu.com/", headers = header)
# 向服务器发送这个请求
response = urllib.request.urlopen(request)
html = response.read()
print(html)
添加更多的Header信息
在HTTP Request中加入特定的Header,来构造一个完整的HTTP请求消息。
可以通过调用Request.add_header() 添加/修改一个特定的header
也可以通过调用Request.get_header()来查看已有的header。
添加一个特定的header
#!/usr/bin/python3
# -*- conding:utf-8 -*-
__author__ = 'mayi'
# 导入urllib.request库
import urllib.request
# chrome 的 User-Agent,包含在 header里
header = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/39.0.2171.71 Safari/537.36'}
# url 连同 headers,一起构造Request请求,这个请求将附带 chrome 浏览器的User-Agent
request = urllib.request.Request("http://www.baidu.com/", headers = header)
# 也可以通过调用Request.add_header() 添加/修改一个特定的header
request.add_header("Connection", "keep-alive")
# 向服务器发送这个请求
response = urllib.request.urlopen(request)
html = response.read()
print(html)