urllib2 是 Python2.7 自帶的模組(不需要下載,導入即可使用)。
urllib2函式庫的基本使用
所謂網頁抓取，就是把URL位址中指定的網路資源從網路流中讀取出來，儲存到本機。在Python中有很多函式庫可以用來抓取網頁，我們先學習urllib2。
urllib2 是 Python2.7 自带的模块(不需要下载，导入即可使用) urllib2 官方文档：https://docs.python.org/2/library/urllib2.html urllib2 源码：https://hg.python.org/cpython/file/2.7/Lib/urllib2.py
urllib2 在python3.x 中被改為urllib.request
urlopen
##我們先來段程式碼：
# urllib2_urlopen.py
# 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 htmlPower@PowerMac ~$: python urllib2_urlopen.py
Request
在我們第一個例子裡，urlopen()的參數就是一個url位址；但是如果需要執行更複雜的操作，例如增加HTTP標頭，必須建立一個Request 實例來作為urlopen()的參數；而需要存取的url位址則作為Request 實例的參數。 我們編輯urllib2_request.py# urllib2_request.py
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）：是伴随 url 提交的数据（比如要post的数据），同时 HTTP 请求将从 "GET"方式 改为 "POST"方式。 headers（默认空）：是一个字典，包含了需要发送的HTTP报头的键值对。 这两个参数下面会说到。
User-Agent
但是這樣直接用urllib2給一個網站發送請求的話，確實略有些唐突了，就好比，人家每家都有門，你以一個路人的身份直接闖進去顯然不是很禮貌。而且有一些網站不喜歡被程式（非人為訪問）訪問，有可能會拒絕你的訪問請求。 但是如果我們用一個合法的身份去請求別人網站，顯然人家就是歡迎的，所以我們就應該給我們的這個代碼加上一個身份，就是所謂的User-Agent頭。瀏覽器就是網路世界上公認被允許的身份，如果我們希望我們的爬蟲程式更像一個真實用戶，那我們第一步，就是需要偽裝成一個被公認的瀏覽器。用不同的瀏覽器在發送請求的時候，會有不同的User-Agent頭。 urllib2預設的User-Agent頭為：Python-urllib/x.y（x和y是Python主版本和次版本號,例如Python-urllib/2.7）#urllib2_useragent.py import urllib2 url = "http://www.itcast.cn" #IE 9.0 的 User-Agent，包含在 ua_header里 ua_header = {"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-Agent request = urllib2.Request(url, headers = ua_header) # 向服务器发送这个请求 response = urllib2.urlopen(request) html = response.read() print html登入後複製
添加更多的Header資訊
在HTTP Request 中加入特定的Header，來建構一個完整的HTTP請求訊息。可以透過呼叫Request.add_header() 新增/修改一個特定的header 也可以透過呼叫Request.get_header()來查看已有的header。
新增一個特定的header
# urllib2_headers.py
import urllib2
url = "http://www.itcast.cn"
#IE 9.0 的 User-Agent
header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
request = urllib2.Request(url, headers = header)
#也可以通过调用Request.add_header() 添加/修改一个特定的header
request.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(req)
print response.code #可以查看响应状态码
html = response.read()
print html#隨機新增/修改User-Agent
# urllib2_add_headers.py
import urllib2
import random
url = "http://www.itcast.cn"
ua_list = [
"Mozilla/5.0 (Windows NT 6.1; ) Apple.... ",
"Mozilla/5.0 (X11; CrOS i686 2268.111.0)... ",
"Mozilla/5.0 (Macintosh; U; PPC Mac OS X.... ",
"Mozilla/5.0 (Macintosh; Intel Mac OS... "
]
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header
request.add_header("User-Agent", user_agent)
# 第一个字母大写，后面的全部小写
request.get_header("User-agent")
response = urllib2.urlopen(req)
html = response.read()
print html以上是Python如何安裝urllib2函式庫的詳細內容。更多資訊請關注PHP中文網其他相關文章！
