urllib

urllib库的基本使用

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。

urlopen方法的使用

# 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")

print(type(response))

# 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()

# 打印响应结果（betys类型）
print (html)
# 打印状态码
print (response.status)
# 获取响应头
print (response.getheaders())
# 获取响应头信息
print (response.getheader('Server'))
# 获取响应结果原因
print (response.reason)

执行写的Python代码，并打印结果

python3 urllib_request.py

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，跟我们刚才打印出来的是一模一样。也就是说，上面的4行代码就已经帮我们把百度的首页的全部代码爬了下来。
包含如下常用参数
url:设置目标url
data:如果设置该参数，则请求默认为post请求
timeout：用于设置超时时间，单位为秒
context：必须是一个ssl.SSLContext类型,用来指定SSL设置,忽略未认证的CA证书．
一个基本的url请求对应的python代码真的非常简单。

Request

在我们第一个例子里，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，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。

我们编辑urllib_request.py

# urllib_request.py

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")

# Request对象作为urlopen()方法的参数，发送给服务器并接收响应
response = urllib.request.urlopen(request)

#将获取到的页面源码，转为字符串
html = response.read().decode('utf-8')

print (html)

运行结果是完全一样的： 新建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：
data（默认空）：是伴随 url 提交的数据（比如要post的数据），同时 HTTP 请求将从 "GET"方式 改为 "POST"方式。
headers（默认空）：是一个字典，包含了需要发送的HTTP报头的键值对。
这两个参数下面会说到。

User-Agent

但是这样直接用urllib给一个网站发送请求的话，确实略有些唐突了，就好比，人家每家都有门，你以一个路人的身份直接闯进去显然不是很礼貌。而且有一些站点不喜欢被程序（非人为访问）访问，有可能会拒绝你的访问请求。
但是如果我们用一个合法的身份去请求别人网站，显然人家就是欢迎的，所以我们就应该给我们的这个代码加上一个身份，就是所谓的User-Agent头。
浏览器 就是互联网世界上公认被允许的身份，如果我们希望我们的爬虫程序更像一个真实用户，那我们第一步，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）

import urllib.request as request

#http://www.httpbin.org/get为自带的测试url,可以返回我们请求服务器时的相关参数
url = "http://www.httpbin.org/get"

#谷歌浏览器的User-Agent，包含在 ua_header里
ua_header = {"User-Agent" : "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36",}

# url 连同 headers，一起构造Request请求，这个请求将附带谷歌浏览器的User-Agent
req = request.Request(url, headers = ua_header)

# 向服务器发送这个请求
response = request.urlopen(req)

html = response.read().decode('utf-8')
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。
1. 可以通过调用Request.add_header() 添加/修改一个特定的header
2. 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

import urllib.request as request

url = "http://www.httpbin.org/get"

#谷歌浏览器的User-Agent，包含在 ua_header里
ua_header = {"User-Agent" : "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36",}

# url 连同 headers，一起构造Request请求，这个请求将附带谷歌浏览器的User-Agent
req = request.Request(url, headers = ua_header)

#也可以通过调用request.add_header() 添加/修改一个特定的header
req.add_header("Refere", "http://www.baidu.com")

# 也可以通过调用request.get_header()来查看header信息
print(req.get_header('Refere'))

response = request.urlopen(req)

print (response.code) #可以查看响应状态码
html = response.read().decode('utf-8')
print (html)