Python爬蟲中urllib.request庫

Python爬蟲中urllib.request庫？很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

爬蟲——urllib.request庫的基本使用

所謂網頁抓取，就是把URL地址中指定的網絡資源從網絡流中讀取出來，保存到本地。在Python中有很多庫可以用來抓取網頁，我們先學習urllib.request。（在python2.x中為urllib2）

urlopen

我們先閱讀以下代碼：

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
# 導入urllib.request庫
import urllib.request
 
# 向指定的url發送請求，并返回服務器響應的類文件對象
response = urllib.request.urlopen("http://www.baidu.com/")
 
# 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串
html = response.read()
 
# 打印字符串
print(html)

實際上，如果我們在瀏覽器上打開百度主頁，右鍵選擇“查看源代碼”，你會發現，跟我們執行上面的程序輸出的結果是一模一樣的。也就是說，上面的幾行代碼就已經幫我們把百度的主頁的全部代碼爬了下來。

Reuqest

在上面的例子里，urlopen()的參數就是一個url地址。

但是如果需要執行更復雜的操作，比如增加HTTP報頭，則必須創建一個Request實例來作為urlopen()的參數，而需要訪問的url地址則作為Request實例的參數。

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
# 導入urllib.request庫
import urllib.request
 
# url 作為Request()方法的參數，構造并返回一個Request對象
request = urllib.request.Request("http://www.baidu.com/")
 
# 向服務器發送這個請求
response = urllib.request.urlopen(request)
 
html = response.read()
 
print(html)

運行結果是完全一樣的：

新建的Request實例，除了必須要有url參數之外，還可以設置另外兩個參數：

1.data（默認為空）：是伴隨url提交的數據（比如post的數據），同時HTTP請求將從“GET”方式改為“POST”方式。

2.headers（默認為空）：是一個字典，包含了需要發送的HTTP報頭的鍵值對。

User-Agent

如果我們希望我們的爬蟲程序更像一個真實用戶，那們我們第一步，就是需要偽裝成一個被公認的瀏覽器。用不同的瀏覽器在發送請求的時候，會有不同的User-Agent頭。urllib.request默認的User-Agent頭為：Python-urllib/x.y（x和y是Python主版本和次版本號，例如Python-urllib/3.5）

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
# 導入urllib.request庫
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 連同 headers，一起構造Request請求，這個請求將附帶 chrome 瀏覽器的User-Agent
request = urllib.request.Request("http://www.baidu.com/", headers = header)
 
# 向服務器發送這個請求
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，來構造一個完整的HTTP請求消息。

可以通過調用Request.add_header() 添加/修改一個特定的header
也可以通過調用Request.get_header()來查看已有的header。

添加一個特定的header

#!/usr/bin/python3
# -*- coding:utf-8 -*-
 
# 導入urllib.request庫
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 連同 headers，一起構造Request請求，這個請求將附帶 chrome 瀏覽器的User-Agent
request = urllib.request.Request("http://www.baidu.com/", headers = header)
 
# 也可以通過調用Request.add_header() 添加/修改一個特定的header
request.add_header("Connection", "keep-alive")
 
# 向服務器發送這個請求
response = urllib.request.urlopen(request)
 
html = response.read()
 
print(html)

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。