学习爬虫基础3-urllib2库的基本使用
来源:互联网 发布:手机淘宝白夜追凶视频 编辑:程序博客网 时间:2024/06/03 16:57
urllib2库的基本使用
urllib2 是python2 中的产物 在python3 中 urllib2和urllib合并成了 urllib了
在 python3 中,urllib2 被改为urllib.request
代码演示
urlopen()方法:
# 导入urllib2 库import urllib2# 向指定的url发送请求,并返回服务器响应的类文件对象response = urllib2.urlopen("http://www.baidu.com")# 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()# 打印字符串print html
request ()方法
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。
import urllib2# url 作为Request()方法的参数,构造并返回一个Request对象request = urllib2.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 = urllib2.urlopen(request)html = response.read()print html解释: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):提交的Form表单数据,同时 HTTP 请求方法将从默认的 "GET"方式 改为 "POST"方式。headers(默认空):参数为字典类型,包含了需要发送的HTTP报头的键值对。
User-Agent的使用
但是这样直接用urllib2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 报头。urllib2默认的User-Agent头为:Python-urllib/x.y (x和y 是Python 主.次 版本号,例如 Python-urllib/2.7)
import urllib2url = "http://www.itcast.cn"# IE 9.0 的 User-Agent,包含在 user_agent里user_agent = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)"} # url 连同 headers,一起构造Request请求,这个请求将附带 IE9.0 浏览器的User-Agentrequest = urllib2.Request(url, headers = user_agent)# 向服务器发送这个请求response = urllib2.urlopen(request)html = response.read()print html
add-header()方法的使用
在 HTTP Request 中加入特定的 Header,来构造一个完整的HTTP请求消息。
可以通过调用Request.add_header() 添加/修改一个特定的header
也可以通过调用Request.get_header()来查看已有的header。
import urllib2url = "http://www.itcast.cn"#IE 9.0 的 User-Agentuser_agent = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)"} request = urllib2.Request(url, headers = user_agent)#也可以通过调用Request.add_header() 添加/修改一个特定的headerrequest.add_header("Connection", "keep-alive")# 也可以通过调用Request.get_header()来查看header信息# request.get_header(header_name="Connection")response = urllib2.urlopen(request)print response.code #可以查看响应状态码html = response.read()print html
随机的添加一个头信息到请求中 使用了 random.choice() 方法mport urllib2import randomurl = "http://www.itcast.cn"ua_list = [ "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1", "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6"]user_agent = random.choice(ua_list)request = urllib2.Request(url)#也可以通过调用Request.add_header() 添加/修改一个特定的headerrequest.add_header("User-Agent", user_agent)# get_header()的字符串参数,第一个字母大写,后面的全部小写request.get_header("User-agent")response = urllib2.urlopen(request)html = response.read()print html
阅读全文
0 0
- 学习爬虫基础3-urllib2库的基本使用
- 《python爬虫》学习笔记:urllib2库的使用
- urllib2库的基本使用
- urllib2库的基本使用(一)
- 爬虫系列之二 urllib2库的使用上
- Python爬虫Urllib2库的高级用法
- urllib2和requests的基本使用
- urllib2基本使用实例
- python模块之urllib2基本爬虫入门
- Python爬虫----爬虫入门(3)---urllib2
- Python爬虫入门(3):Urllib库的基本使用
- Python爬虫入门(3):Urllib库的基本使用
- Python爬虫入门(3):Urllib库的基本使用
- urllib/urllib2和BeautifulSoup爬虫学习
- 爬虫知识点(Handler和opener以及开放代理和私密代理的使用)(利用urllib2库)
- python写爬虫使用urllib2方法
- python写爬虫使用urllib2方法
- Python爬虫学习--urllib的基本使用笔记
- 关于测试基础问题
- How do I connect to multiple wifi networks?
- python注释
- 【微信小程序 四】二维码生成/扫描二维码
- AsyncTask的学习
- 学习爬虫基础3-urllib2库的基本使用
- Java提高篇——单例模式
- python爬虫--BeautifulSoup
- Android 简单 相对布局的实现;
- 字符串指针常见错误。
- 【C语言】计算指定日期是一年中第几天
- 【C语言】求素数
- python变量类型及标识符
- ES6中的块级作用域