Python爬虫入门笔记：urllib库的使用

上次我们说到网页下载是爬虫的重要部分，并提到几种实用的下载器模块，今天我们先说urlib库的使用，这个是Python官方基础模块，具体相关细节知识，大家可以自行去了解，这里我们只说主要的使用方法：

1、直接访问

import urllib2

url = 'http://www.baidu.com'
#直接请求
response = urllib2.urlopen(url)
#获取状态码，如果是200表示成功
print response.getcode()
#打印代码
print response.read()

Python语言就是这么简洁，几行代码就把网页爬了下来，是不是很棒？下面我们看一下运行结果：

2、构造request，这是比较规范的格式，有时需要传送数据，建议这么写

import urllib2

url = 'http://www.baidu.com'
#创建request对象
request = urllib2.Request(url)
#发送请求
response = urllib2.urlopen(request)
#获取状态码，如果是200表示成功
print response.getcode()
#打印代码
print response.read()

3、headers验证，不是所有的URL可以直接访问的，比如糗事百科

import urllib2

url = 'http://www.qiushibaike.com'
request = urllib2.Request(url)
response = urllib2.urlopen(request)
print response.getcode()

运行后出现如下错误：

raise BadStatusLine(line)
httplib.BadStatusLine: ''

这是因为该网站不支持程序访问，我们可以模拟浏览器访问，添加headers验证

import urllib2

url = 'http://www.qiushibaike.com/hot/page/1'
#设置请求身份agent
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
#添加headers
headers = {'User-Agent' : user_agent}
request = urllib2.Request(url,headers = headers)
response = urllib2.urlopen(request)
print response.getcode()
print response.read()

另外，我们还有对付”反盗链”的方式，对付防盗链，服务器会识别headers中的referer是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在headers中加入referer

headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  ,
                        'Referer':'http://www.zhihu.com/articles' }  

4、Proxy的设置，urllib2 默认会使用环境变量 http_proxy 来设置 HTTP Proxy。假如一个网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理，来防止被禁止访问。

下面一段代码说明了代理的设置用法

import urllib2
enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})
if enable_proxy:
    opener = urllib2.build_opener(proxy_handler)
else:
    opener = urllib2.build_opener(null_proxy_handler)
urllib2.install_opener(opener)

现在很多网站已经不能直接访问了，所以第一种基本用不到的，目前实战时第二种和第三种比较多，后面还有DATA表单数据和cookies,其他的方式用到的不是很多，具体实战遇到了再探究吧！