[Python]网络爬虫（二）：利用urllib通过指定的URL抓取网页内容

1.基本方法

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

-         url:  需要打开的网址

-         data：Post提交的数据

-         timeout：设置网站的访问超时时间

直接用urllib.request模块的urlopen（）获取页面，page的数据格式为bytes类型，需要decode（）解码，转换成str类型。

1 from urllib import request2 response = request.urlopen(r'http://python.org/') # <http.client.HTTPResponse object at 0x00000000048BC908> HTTPResponse类型3 page = response.read()4 page = page.decode('utf-8')

urlopen返回对象提供方法：

-         read() , readline() ,readlines() , fileno() , close() ：对HTTPResponse类型数据进行操作

-         info()：返回HTTPMessage对象，表示远程服务器返回的头信息

-         getcode()：返回Http状态码。如果是http请求，200请求成功完成;404网址未找到

-         geturl()：返回请求的url

2.使用Request

urllib.request.Request(url, data=None, headers={}, method=None)

使用request（）来包装请求，再通过urlopen（）获取页面。

 1 url = r'http://www.lagou.com/zhaopin/Python/?labelWords=label' 2 headers = { 3     'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 4                   r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 5     'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label', 6     'Connection': 'keep-alive' 7 } 8 req = request.Request(url, headers=headers) 9 page = request.urlopen(req).read()10 page = page.decode('utf-8')

用来包装头部的数据：

-         User-Agent ：这个头部可以携带如下几条信息：浏览器名和版本号、操作系统名和版本号、默认语言

-         Referer：可以用来防止盗链，有一些网站图片显示来源http://***.com，就是检查Referer来鉴定的

-         Connection：表示连接状态，记录Session的状态。

3.Post数据

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

urlopen（）的data参数默认为None，当data参数不为空的时候，urlopen（）提交方式为Post。

 1 from urllib import request, parse 2 url = r'http://www.lagou.com/jobs/positionAjax.json?' 3 headers = { 4     'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 5                   r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 6     'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label', 7     'Connection': 'keep-alive' 8 } 9 data = {10     'first': 'true',11     'pn': 1,12     'kd': 'Python'13 }14 data = parse.urlencode(data).encode('utf-8')15 req = request.Request(url, headers=headers, data=data)16 page = request.urlopen(req).read()17 page = page.decode('utf-8')

urllib.parse.urlencode(query, doseq=False, safe='', encoding=None, errors=None)

urlencode（）主要作用就是将url附上要提交的数据。 

1 data = {2     'first': 'true',3     'pn': 1,4     'kd': 'Python'5 }6 data = parse.urlencode(data).encode('utf-8')

经过urlencode（）转换后的data数据为?first=true?pn=1?kd=Python，最后提交的url为

http://www.lagou.com/jobs/positionAjax.json?first=true?pn=1?kd=Python

Post的数据必须是bytes或者iterable of bytes，不能是str，因此需要进行encode（）编码

1 page = request.urlopen(req, data=data).read()

当然，也可以把data的数据封装在urlopen（）参数中

4.异常处理

 1 def get_page(url): 2     headers = { 3         'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ' 4                     r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3', 5         'Referer': r'http://www.lagou.com/zhaopin/Python/?labelWords=label', 6         'Connection': 'keep-alive' 7     } 8     data = { 9         'first': 'true',10         'pn': 1,11         'kd': 'Python'12     }13     data = parse.urlencode(data).encode('utf-8')14     req = request.Request(url, headers=headers)15     try:16         page = request.urlopen(req, data=data).read()17         page = page.decode('utf-8')18     except error.HTTPError as e:19         print(e.code())20         print(e.read().decode('utf-8'))21     return page

5、使用代理 

urllib.request.ProxyHandler(proxies=None)

当需要抓取的网站设置了访问限制，这时就需要用到代理来抓取数据。

 1 data = { 2         'first': 'true', 3         'pn': 1, 4         'kd': 'Python' 5     } 6 proxy = request.ProxyHandler({'http': '5.22.195.215:80'})  # 设置proxy 7 opener = request.build_opener(proxy)  # 挂载opener 8 request.install_opener(opener)  # 安装opener 9 data = parse.urlencode(data).encode('utf-8')10 page = opener.open(url, data).read()11 page = page.decode('utf-8')12 return page