zoukankan      html  css  js  c++  java
  • Python爬虫入门之Urllib库的基本使用

      那么接下来,小伙伴们就一起和我真正迈向我们的爬虫之路吧。

    1.分分钟扒一个网页下来

      怎样扒网页呢?其实就是根据URL来获取它的网页信息,虽然我们在浏览器中看到的是一幅幅优美的画面,但是其实是由浏览器解释才呈现出来的,实质它是一段HTML代码,加 JS、CSS,如果把网页比作一个人,那么HTML便是他的骨架,JS便是他的肌肉,CSS便是它的衣服。所以最重要的部分是存在于HTML中的,下面我们就写个例子来扒一个网页下来。

    1 import urllib2
    2 
    3 response=urllib2.urlopen("http://www.baidu.com")
    4 print(response.read())

    2.分析扒网页的方法

      那么我们来分析这两行代码,第一行

    1 response = urllib2.urlopen("http://www.baidu.com")

       首先我们调用的是urllib2库里面的urlopen方法,传入一个URL,这个网址是百度首页,协议是HTTP协议,当然你也可以把HTTP换做FTP,FILE,HTTPS 等等,只是代表了一种访问控制协议,urlopen一般接受三个参数,它的参数如下:

    1 urlopen(url, data, timeout)

      第一个参数url即为URL,第二个参数data是访问URL时要传送的数据,第三个timeout是设置超时时间。

      第二三个参数是可以不传送的,data默认为空None,timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT

      第一个参数URL是必须要传送的,在这个例子里面我们传送了百度的URL,执行urlopen方法之后,返回一个response对象,返回信息便保存在这里面。

    1 print response.read()

      response对象有一个read方法,可以返回获取到的网页内容。

      如果不加read直接打印会是什么?答案如下:

    1 <addinfourl at 139728495260376 whose fp = <socket._fileobject object at 0x7f1513fb3ad0>>

      直接打印出了该对象的描述,所以记得一定要加read方法,否则它不出来内容可就不怪我咯!

    3.构造Requset

      其实上面的urlopen参数可以传入一个request请求,它其实就是一个Request类的实例,构造时需要传入Url,Data等等的内容。比如上面的两行代码,我们可以这么改写

    1 import urllib2
    2 
    3 request = urllib2.Request("http://www.baidu.com")
    4 response = urllib2.urlopen(request)
    5 print response.read()

       运行结果是完全一样的,只不过中间多了一个request对象,推荐大家这么写,因为在构建请求时还需要加入好多内容,通过构建一个request,服务器响应请求得到应答,这样显得逻辑上清晰明确。

    4.POST和GET数据传送

      上面的程序演示了最基本的网页抓取,不过,现在大多数网站都是动态网页,需要你动态地传递参数给它,它做出对应的响应。所以,在访问时,我们需要传递数据给它。最常见的情况是什么?对了,就是登录注册的时候呀。

      把数据用户名和密码传送到一个URL,然后你得到服务器处理之后的响应,这个该怎么办?下面让我来为小伙伴们揭晓吧!

      数据传送分为POST和GET两种方式,两种方式有什么区别呢?

      最重要的区别是GET方式是直接以链接形式访问,链接中包含了所有的参数,当然如果包含了密码的话是一种不安全的选择,不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数,不过如果你想直接查看提交了什么就不太方便了,大家可以酌情选择。

      POST方式:

      上面我们说了data参数是干嘛的?对了,它就是用在这里的,我们传送的数据就是这个参数data,下面演示一下POST方式。

    1 import urllib
    2 import urllib2
    3 
    4 values = {"username":"1016903103@qq.com","password":"XXXX"}
    5 data = urllib.urlencode(values) 
    6 url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
    7 request = urllib2.Request(url,data)
    8 response = urllib2.urlopen(request)
    9 print response.read()

      我们引入了urllib库,现在我们模拟登陆CSDN,当然上述代码可能登陆不进去,因为CSDN还有个流水号的字段,没有设置全,比较复杂在这里就不写上去了,在此只是说明登录的原理。一般的登录网站一般是这种写法。

      我们需要定义一个字典,名字为values,参数我设置了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POST后呈现的页面内容。

      注意上面字典的定义方式还有一种,下面的写法是等价的

     1 import urllib
     2 import urllib2
     3 
     4 values = {}
     5 values['username'] = "1016903103@qq.com"
     6 values['password'] = "XXXX"
     7 data = urllib.urlencode(values) 
     8 url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
     9 request = urllib2.Request(url,data)
    10 response = urllib2.urlopen(request)
    11 print response.read()

       以上方法便实现了POST方式的传送

      GET方式:

      至于GET方式我们可以直接把参数写到网址上面,直接构建一个带参数的URL出来即可。

     1 import urllib
     2 import urllib2
     3 
     4 values={}
     5 values['username'] = "1016903103@qq.com"
     6 values['password']="XXXX"
     7 data = urllib.urlencode(values) 
     8 url = "http://passport.csdn.net/account/login"
     9 geturl = url + "?"+data
    10 request = urllib2.Request(geturl)
    11 response = urllib2.urlopen(request)
    12 print response.read()

      你可以print geturl,打印输出一下url,发现其实就是原来的url加?然后加编码后的参数

    1 http://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX

      和我们平常GET访问方式一模一样,这样就实现了数据的GET方式传送。

      本节讲解了一些基本使用,可以抓取到一些基本的网页信息,小伙伴们加油!

      转载整理自:静觅 » Python爬虫入门三之Urllib库的基本使用,感谢版主的分享。

  • 相关阅读:
    例题6-8 Tree Uva548
    例题6-7 Trees on the level ,Uva122
    caffe Mac 安装
    Codeforces Round #467 (Div. 1) B. Sleepy Game
    Educational Codeforces Round37 E
    Educational Codeforces Round 36 (Rated for Div. 2) E. Physical Education Lessons
    Good Bye 2017 E. New Year and Entity Enumeration
    Good Bye 2017 D. New Year and Arbitrary Arrangement
    Codeforces Round #454 D. Seating of Students
    浙大紫金港两日游
  • 原文地址:https://www.cnblogs.com/AlwaysWIN/p/6236748.html
Copyright © 2011-2022 走看看