正文 

当前位置： 首页 > java > java教程

爬虫之urllib2库的基本使用

林深时见鹿 林深时见鹿     2022-08-23     805

关键词：

urllib2库的基本使用

所谓网页抓取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。 在Python中有很多库可以用来抓取网页，我们先学习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 中被改为urllib.request

urlopen

我们先来段代码：

# 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 html

执行写的python代码，将打印结果

[email protected] ~$: python urllib2_urlopen.py

实际上，如果我们在浏览器上打开百度主页， 右键选择“查看源代码”，你会发现，跟我们刚才打印出来的是一模一样。也就是说，上面的4行代码就已经帮我们把百度的首页的全部代码爬了下来。

一个基本的url请求对应的python代码真的非常简单。

Request

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。

我们编辑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
运行结果是完全一样的：

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：

  1. 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。

  2. 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公认的浏览器。用不同的浏览器在发送请求的时候，会有不同的User-Agent头。 urllib2默认的User-Agent头为：Python-urllib/x.y（x和y是Python主版本和次版本号,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

添加更多的Header信息

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。

  • 添加一个特定的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
  • 随机添加/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

1.4.urllib2模块的基本使用

接下来，让我们真正迈向我们的爬虫之路吧！urllib2库的基本使用所谓网页抓取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。在Python中有很多库可以用来抓取网页，我们先学习urllib2。urllib2是Python2.7自带的... 查看详情

urllib库的基本使用

...。在Python中有很多库可以用来抓取网页，我们先学习​​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：​​20.6.urllib2—extensiblelibraryforopeningURLs—Python2.7.18documentation​​urllib2 查看详情

python爬虫之urllib库，及urllib库的4个模块基本使用和了解(代码片段)

一：Pythonurllib库Pythonurllib库用于操作网页URL，并对网页的内容进行抓取处理。Python3的urllib。urllib包包含以下几个模块：urllib.request-打开和读取URL。urllib.error-包含urllib.request抛出的异常。urllib.parse-解析URL。urllib.robotpars... 查看详情

urllib库的基本使用(代码片段)

...。在Python中有很多库可以用来抓取网页，我们先学习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：20.6.urllib2—extensiblelibraryforopeningURLs—Python2.7.18 查看详情

如何入门爬虫（基础篇）

一、爬虫入门Python爬虫入门一之综述Python爬虫入门二之爬虫基础了解Python爬虫入门三之Urllib库的基本使用Python爬虫入门四之Urllib库的高级用法Python爬虫入门五之URLError异常处理Python爬虫入门六之Cookie的使用Python爬虫入门七之正则... 查看详情

如何入门爬虫（基础篇）

一、爬虫入门Python爬虫入门一之综述Python爬虫入门二之爬虫基础了解Python爬虫入门三之Urllib库的基本使用Python爬虫入门四之Urllib库的高级用法Python爬虫入门五之URLError异常处理Python爬虫入门六之Cookie的使用Python爬虫入门七之正则... 查看详情

0基础学爬虫爬虫基础之网页解析库的使用(代码片段)

大数据时代，各行各业对数据采集的需求日益增多，网络爬虫的运用也更为广泛，越来越多的人开始学习网络爬虫这项技术，K哥爬虫此前已经推出不少爬虫进阶、逆向相关文章，为实现从易到难全方位覆盖，特设【0基础学爬虫... 查看详情

爬虫之resquests模块的使用(代码片段)

...于网络访问的模块，其实类似的模块有很多，比如urllib，urllib2，httplib，httplib2，他们基本都提供相似的功能。在上一篇我们已经使用urllib模块而Requests会比urllib更加方便，可以节约我们大量的工作，它更加强大，所以更建议使用... 查看详情

requests库的基本使用|爬虫

#proxies代理#1.用法importrequests#构建一个url#url=‘http://www.baidu.com‘#构建请求头#headers={#‘User-Agent‘:‘Mozilla/5.0(X11;Linuxx86_64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/50.0.2661.102Safari/537.36‘#}#构建代理# 查看详情

urllib2模块的基本使用(代码片段)

urllib2库的基本使用所谓网页抓取，就是把URL地址中指定的网络资源从网络流中读取出来，保存到本地。在Python中有很多库可以用来抓取网页，我们先学习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... 查看详情

python之爬虫selenium库的使用(代码片段)

一、什么是Seleniumselenium是一套完整的web应用程序测试系统，包含了测试的录制（seleniumIDE）,编写及运行（SeleniumRemoteControl）和测试的并行处理（SeleniumGrid）。Selenium的核心SeleniumCore基于JsUnit，完全由JavaScript编写，因此可以用于... 查看详情

python爬虫篇-通过urllib.request伪装成浏览器绕过反爬虫爬取网页所有连接实例演示，urllib2库的安装(代码片段)

新版的python把urllib2改成了urllib.request，所以直接导入urllib2会报错。这是我通过chrome92版本的浏览器发送请求的时候抓到的头部信息，只要我在发送请求时引用一个User-Agent信息就可以了。Connection:keep-aliveUpgrade-Insecure-Requests... 查看详情

爬虫基础(requests库的基本使用)--02(代码片段)

什么是RequestsRequests是用python语言基于urllib编写的，采用的是Apache2Licensed开源协议的HTTP库如果你看过上篇文章关于urllib库的使用，你会发现，其实urllib还是非常不方便的，而Requests它会比urllib更加方便，可以节约我们大量的工作... 查看详情

python之爬虫beautifulsoup库的使用(代码片段)

...而这节我们提到的beautifulsoup就是一个非常强大的工具，爬虫利器。beautifulSoup“美味的汤，绿色的浓汤”一个灵活又方便的网页解析库，处理高效，支持多种解析器。利用它就不用编写正则表达式也能方便的实现网页信息... 查看详情

python之爬虫pyquery库的使用(代码片段)

PyQuery库也是一个非常强大又灵活的网页解析库，如果你有前端开发经验的，都应该接触过jQuery,那么PyQuery就是你非常绝佳的选择，PyQuery是Python仿照jQuery的严格实现。语法与jQuery几乎完全相同，所以不用再去费心去记一些奇怪的... 查看详情

静觅爬虫学习笔记2-urllib库的基本使用

1.什么是Urllib它是Python内置的Http请求库urllib.request  请求模块urllib.error      异常处理模块urllib.parse     url解析模块urllib.robotparserrobots.txt解析模块2.urlo 查看详情

python爬虫学习记录基本库的使用——requests(代码片段)

一、基本用法urllib库中的urlopen方法实际是用GET方式请求网页，而requests中相应的方法是get（）我们用get方法实现与urlopen相同的操作，得到一个response对象，分别输出response类型，状态码，响应体以及cooki... 查看详情

python爬虫利器之解析库的使用(代码片段)

对于一个刚学Python爬虫的新手来说，学习Python爬虫里面的「解析库的使用」如果没有超强记忆力，估计是边学边忘，正所谓好记性不如烂笔头，在自己学些爬虫相关的知识点可以记录下来然后多次实践肯定比单凭... 查看详情