Python3爬虫（一）抓取网页的html

因为代码只有几行，所以可以先贴代码：

import  urllib.request
url = r'http://douban.com'
res = urllib.request.urlopen(url)
html = res.read().decode('utf-8')
print(html)

第一行，导入 urllib库的request模块

第二行，指定要抓取的网页url，必须以http开头的

第三行，调用 urlopen（）从服务器获取网页响应（respone），其返回的响应是一个实例

第四行，调用返回响应示例中的read（）函数，即可以读取html，但需要进行解码，具体解码写什么，要在你要爬取的网址右键，查看源代码，

红框中的 charset= 则表示编码格式，我要爬取的网页编码为 utf-8，所以，解码我也填utf-8，如果是gbk2313，则填写的是GBK

（更为简单的方法是在程序中调用info()获取网页头部来查看编码方式：）

查看网页的头部信息以确定网页的编码方式：

import urllib.request

res = urllib.request.urlopen('http://www.163.com')
print(res.info())  #info()方法 用来获取网页头部

执行结果：

可以看出次网页的编码是 GBK。

第五行，打印就行。

但上面的写法是裸奔型写法，就是没有头部的，有一些网页你没有头部是不能访问的，会返回 403错误。

最正式的做法是仿照http的过程，在用爬虫获取网页的时候，加入头部，伪装成浏览器。

Http 其实就是 请求/响应模式，永远都是 客户端向服务端发送请求，然后服务端再返回响应。

有一个问题就是 头部改怎么加？可以打开你的浏览器，按F12，（我用的是谷歌浏览器）

F12打开开发者工具模式后，进入一个随便一个网页，开发者工具就会有东西出现

双击name栏的任意一个，在Headers 一栏会有个 User-Agent ，复制蓝色部分，蓝色部分就是头部。再把蓝色部分加入到爬虫程序中，见下面代码：

这种方式是推荐的

import urllib.request

url = r'http://douban.com'
headers ={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
req = urllib.request.Request(url=url,headers=headers)
res = urllib.request.urlopen(req)
html = res.read().decode('utf-8')
print(html)

注意：urllib.request.Request（）用于向服务端发送请求，就如 http 协议客户端想服务端发送请求

而 urllib.request.urlopen（）则相当于服务器返回的响应