Python爬虫-Urllib库的基本使用

timg.jpg

扒百度网页

新建一个demo.py文件,代码如下:

import urllib2
response = urllib2.urlopen("http://www.baidu.com")
print response.read()
执行以上代码得到如下结果:
111.png

那么我们来分析这两行代码,第一行

response = urllib2.urlopen("http://www.baidu.com")

首先我们调用的是urllib2库里面的urlopen方法,传入一个URL,这个网址是百度首页,协议是HTTP协议,当然你也可以把HTTP换做FTP,FILE,HTTPS 等等,只是代表了一种访问控制协议,urlopen一般接受三个参数,它的参数如下:

urlopen(url, data, timeout)

  • 第一个参数url即为URL,第二个参数data是访问URL时要传送的数据,第三个timeout是设置超时时间。
  • 第二三个参数是可以不传送的,data默认为空None,timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT
  • 第一个参数URL是必须要传送的,在这个例子里面我们传送了百度的URL,执行urlopen方法之后,返回一个response对象,返回信息便保存在这里面。

print response.read()

response对象有一个read方法,可以返回获取到的网页内容。

如果不加read的话就直接打印出了该对象的描述,所以记得一定要加read方法

构造Request

其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例,构造时需要传入Url,Data等等的内容。

比如上面的两行代码,我们可以这么改写

  1. import urllib2
  2. request = urllib2.Request("http://www.baidu.com")
  3. response = urllib2.urlopen(request)
  4. print response.read()

运行结果是完全一样的,只不过中间多了一个request对象,推荐大家这么写,因为在构建请求时还需要加入好多内容,通过构建一个request,服务器响应请求得到应答,这样显得逻辑上清晰明确。

POST和GET数据传送

上面的程序演示了最基本的网页抓取,现在大多数网站都是动态网页,需要动态地传递参数给它,它做出对应的响应。所以,在访问时,需要传递数据给它。最常见的情况就是登录注册的时候。

数据传送分为POST和GET两种方式,最重要的区别是GET方式是直接以链接形式访问,链接中包含了所有的参数,当然如果包含了密码的话是一种不安全的选择,不过你可以直观地看到自己提交了什么内容。

POST则不会在网址上显示所有的参数,不过如果你想直接查看提交了什么就不太方便了,大家可以酌情选择。

POST方式:

  1. import urllib
  2. import urllib2
  3. values = {"username": "testname", "password": "password"}
  4. data = urllib.urlencode(values)
  5. url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
  6. request = urllib2.Request(url, data)
  7. response = urllib2.urlopen(request)
  8. print response.read()

我们引入了urllib库,现在我们模拟登陆CSDN,当然上述代码可能登陆不进去,因为CSDN还有个流水号的字段,没有设置全,比较复杂在这里就不写上去了,在此只是说明登录的原理。一般的登录网站一般是这种写法。

我们需要定义一个字典,名字为values,参数我设置了username和password,下面利用urllib的urlencode方法将字典编码,命名为data,构建request时传入两个参数,url和data,运行程序,返回的便是POST后呈现的页面内容。

注意上面字典的定义方式还有一种,下面的写法是等价的

  1. import urllib
  2. import urllib2
  3. values = {}
  4. values['username'] = "1016903103@qq.com"
  5. values['password'] = "XXXX"
  6. data = urllib.urlencode(values)
  7. url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
  8. request = urllib2.Request(url,data)
  9. response = urllib2.urlopen(request)
  10. print response.read()

GET方式:

至于GET方式我们可以直接把参数写到网址上面,直接构建一个带参数的URL出来即可。

  1. import urllib
  2. import urllib2
  3. values={}
  4. values['username'] = "1016903103@qq.com"
  5. values['password']="XXXX"
  6. data = urllib.urlencode(values)
  7. url = "http://passport.csdn.net/account/login"
  8. geturl = url + "?"+data
  9. request = urllib2.Request(geturl)
  10. response = urllib2.urlopen(request)
  11. print response.read()

你可以print geturl,打印输出一下url,发现其实就是原来的url加?然后加编码后的参数

  1. http://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX

和我们平常GET访问方式一模一样,这样就实现了数据的GET方式传送。

Last modification:January 9th, 2019 at 11:33 am
If you think my article is useful to you, please feel free to appreciate

Leave a Comment