urllib2
urllib2是Python中用来抓取网页的库，urllib2 是 Python2.7 自带的模块(不需要下载，导入即可使用)在python2.x里面有urllib和urllib2;在python3.x里面就把urllib和urllib2合成一个urllib;urllib3是在python3.x了里面新增的第三方扩展。urllib2 官方文档：https://docs.python.org/2/lib...urllib2 源码：https://hg.python.org/cpython...urllib2 在 python3.x 中被改为urllib.request
来先看一个简单的Demo,通过请求访问百度
# 向指定的url地址发送请求，并返回服务器响应的类文件对象 response = urllib.request.urlopen("http://www.baidu.com/") # 服务器返回的类文件对象支持Python文件对象的操作 *** # read() *** 就是读取文件里的全部内容，返回字符串 html = response.read() # 打印响应内容 print(html)</pre>
我们已经拿到百度的首页了，但是目前出现了之一个问题就是，当你使用urllib2去访问的时候，它的User-Agent是Python-urllib/3.6 (user-agent决定用户的浏览器)
我们需要稍微伪装下，要不然之一步就会被反爬虫发现
#!/usr/bin/env python # -*- coding:utf-8 -*- import urllib.request # urllib2 的User-Agent: Python-urllib/2.7 # User-Agent 爬虫和反爬虫的之一步 ua_headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36" } # 通过urllib.request.Request() *** 构造一个请求对象 request = urllib.request.Request("http://www.baidu.com/", headers = ua_headers) # 向指定的url地址发送请求，并返回服务器响应的类文件对象 # urllib.request.urlopen()参数即可以是字符串也可以是对象 response = urllib.request.urlopen(request) # 服务器返回的类文件对象支持Python文件对象的操作 *** # read() *** 就是读取文件里的全部内容，返回字符串 html = response.read() # 返回 HTTP的响应码，成功返回200，4服务器页面出错，5服务器问题 print(response.getcode()) # 返回 返回实际数据的实际URL，防止重定向问题 print(response.geturl()) # 返回 服务器响应的HTTP报头 print(response.info()) # 打印响应内容 #print(html)
爬取百度贴吧
在url后面直接拼接参数，这种请求方式为get请求
#!/usr/bin/python #coding:utf-8 from urllib import request,parse def loadPage(fullUrl,filename): """ 作用：根据url发送请求，获取服务器响应文件 url: 需要爬取的url地址 filename : 处理的文件名 """ print('正在下载' + filename) headers = {"User_Agent" : "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36"} # 构造请求对象 request1 = request.Request(fullUrl,headers = headers); return request.urlopen(request1).read() def wirtePage(html,filename): """ 作用:将html内容写入到本地 html:服务器相应的文件内容 """ print('正在保存' + filename) #文件写入 with open(filename,'w') as f: # 此时打印的html伪bytes格式的,f.write()参数需要字符串 f.write(html.decode(encoding='utf-8')) print ('-' * 30) def tiebaSpider(url,beginPage,endPage): for page in range(beginPage,endPage+1): pn = (page-1) * 50 filename = "第" + str(page) +'页.html' fullUrl = url +'&pn='+str(pn) # 发起请求 html = loadPage(fullUrl,filename) print(html) # 写网页 wirtePage(html,filename) if __name__ == '__main__': kw = input('请输入爬去的贴吧名:') beginPage = int(input('请输入起始页:')) endPage = int(input('请输入结束页')) url = 'http://tieba.baidu.com/f?' key = parse.urlencode({"kw":kw}) fullUrl = url + key tiebaSpider(fullUrl,beginPage,endPage)
通过POST请求到有道翻译
有些网站的查询传参不是直接在URL上面拼接而且通过post form data进行，这个时候传递就要模拟post请求
from urllib import request,parse # 通过抓包的方式获取的url，并不是浏览器上显示的url url = "http://fanyi.youdao.com/translate?***artresult=dict&***artresult=rule" # 完整的headers headers = { "Accept" : "application/json, text/javascript, */*; q=0.01", "X-Requested-With" : "XMLHttpRequest", "User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36", "Content-Type" : "application/x-www-form-urlencoded; charset=UTF-8", } # 用户接口输入 key = input("请输入需要翻译的文字:") # 发送到web服务器的表单数据 formdata = { "from" : "AUTO", "to" : "AUTO", "***artresult" : "dict", "client" : "fanyideskweb", "type" : "AUTO", "i" : key, "doctype" : "json", "keyfrom" : "fanyi.web", "ue" : "UTF-8", "version":"2.1", "action" : "FY_BY_CLICKBUTTON", "typoResult" : "false" } # 经过urlencode转码 data = parse.urlencode(formdata).encode('utf-8') print(data) # 如果Request() *** 里的data参数有值，那么这个请求就是POST # 如果没有，就是Get request1 = request.Request(url, data = data, headers = headers) print(request.urlopen(request1).read().decode('utf-8'))
抓取ajax豆瓣电影
有些时候页面上面是空的，内容通过ajax来加载，那么我们爬虫需要关注点就应该到数据源这个位置，ajax加载的页面，数据源一定是json,拿到json也就拿到了数据
from urllib import request, parse url = "https://movie.douban.com/j/chart/top_list?type=11&interval_id=100%3A90&action" headers = {"User-Agent" : "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} formdata = { "start":"0", "limit":"20" } data = parse.urlencode(formdata).encode('utf-8') request1 = request.Request(url, data = data, headers = headers) print(request.urlopen(request1).read().decode('utf-8'))
