python-爬虫（1）

python爬虫主要分为三个部分：抓取、分析以及存储。

1、抓取：如何抓取网页内容呢？使用urllib2或者request抓取网页内容。
打开百度-图片，我们看到的是一张张精美的图片，这个过程其实是用户输入网址之后，经过DNS服务器解析，找到服务器主机，向主机申请访问，主机经过解析之后发送回浏览器HTML+JS+CSS等代码，浏览器对这些代码进行解析便可以看到我们申请访问的内容。

下面我们抓取百度首页的源码为例：
1、使用urllib2库

import urllib2url= "http://www.baidu.com"response = urllib2.urlopen(url)print response.read()

将代码写入一个文件并保存，在相应的目录执行命令查看结果。

python e.py

传入url，这个是百度网页的首页，协议是HTTP协议，当然你也可以把HTTP换做FTP，FILE，HTTPS 等等，这只是代表了一种访问控制协议，urlopen可以接受三个参数：

urlopen(url, data, timeout)

参数1：url就是我们将要访问的网址。
参数2：data是我们要上传到服务器的地址。
参数3：tiemout是超时时间。
当然第2、3个参数是可以不传送的，data默认为空None，timeout默认为socket._GLOBAL_DEFAULT_TIMEOUT。

方法返回一个response对象，返回的所有信息都保存在这个对象中。
使用该对象的read()方法，读取对象中的内容。

2、使用request
我们也可以使用request请求，Request类的实例，构造时传入url，data等内容。比如上面的两行代码，我们可以这么改写：

import urllib2url = "http://www.baidu.com"request = urllib2.Request(url)response = urllib2.urlopen(request)print response.read()

这种写法中间多一个request对象，建议大家如是写，因为有些时候我们爬取网页的时候，还要上传一些其他的信息，这时候使用request就会好很多，通过构建一个request（请求），服务器响应请求，这样更容易看明白。

上面的程序向大家展示了如何抓取静态网页的内容，不过大多数时候都是动态的，既需要你传递参数给它，比如登陆账号和密码。怎么办呢？这时候就用到了我们前面说的data参数了。
我们将需要上传的账号密码等信息，传送到url中，得到服务器的响应。

我们定义一个字典，名字为values，设置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，返回的便是页面内容。

import urllib2import urlliburl = "http://passport.xxxx.net/account/login"values = {"account":"[e-mail]", "password":"xxxxxxx"}data = urllib.urlencode(values) geturl = url + '?' + datarequest = urllib2.Request(geturl)response = urllib2.urlopen(request)print response.read()

字典的定义方式还有一种：

import urllib2import urlliburl = "http://passport.xxxx.net/account/login"values = {}values["account"] = "[e-mail]"values["password"] = "xxxxxxxxxx"data = urllib.urlencode(values) geturl = url + "?" + datarequest = urllib2.Request(geturl)response = urllib2.urlopen(request)print response.read()

将geturl打印出来，我们得到

http://xxxxxx.csdn.net/account/login?account=[e-mail]&password=xxxxxxxx

这样我们就得到了http://xxxxxx.csdn.net网页中，账号密码分别为[e-mail]和xxxxxxxx的用户的相关数据。