Python伪装浏览器爬虫读取网页内容

Python伪装浏览器爬虫读取网页内容

昨天在OSC上看到有段代码，解析HTML相关的，我突然就想到了Python，用Python实现同样功能应该也不难吧，于是我开始试着用Python读取网页内容，不过过程有点纠结。

声明：以下代码在Python 3.3中编写调试完成！

首先我是这样做的：

import urllib.request
url = "http://www.oschina.net/"
data = urllib.request.urlopen(url).read()
print(data)

结果发现不行，OSC加了保护，不止是OSC，CSDN等等很多网站都这样，这就必须要伪装浏览器正常访问了，类似蜘蛛爬虫一样，那么只有给代码加上一个Header，再试试读取HTML。

Chrome如何查看你的浏览器的Header：

一图全解，有木有。

F12打开开发人员工具，其他浏览器也有类似功能，很方便哦，这里我们只需要Request Headers中的User-Agent就可以了。

各种纠结呀，网上许多代码都是Python2的，我用的3.3，import很多都不一样了，没办法只有翻Python的官方文档，全英文有点苦，还好我的Chrome可以随时翻译，减轻负担呀。

在官方文档3.3中找到了urllib.request的文档：docs.python.org/3/library/urllib.request.html

在Examples中找到了一个addheaders的方法，试了一下果然能行，下面就是代码。

'''
Created on 2013-1-27
@author: isaced
''' 
import urllib.request

url = "http://www.oschina.net/"
headers = ('User-Agent','Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11')

opener = urllib.request.build_opener()
opener.addheaders = [headers]
data = opener.open(url).read()

print(data)

到这里就能输出页面的HTML了，也可以直接保存成本地HTML文件，打开正常。
另外对于这编码问题还是有点迷茫。
另收藏一条很有用的语句，type()，类似于C语言中的typeof()，可以print出来直接查看数据类型，很方便！