2.03_01_Python网络爬虫urllib2库

阅读量：6217 次

发布时间：2019-06-21

本文共 10340 字，大约阅读时间需要 34 分钟。

一：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抓取出来。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：

urllib2 源码：

在 python3 中，urllib2 被改为urllib.request

urllib2.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

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。

urllib2.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

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。

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）

import urllib2url = "http://www.baidu.com"#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-Agentrequest = 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

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

import urllib2url = "http://www.baidu.com"#IE 9.0 的 User-Agentheader = {
   "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headerrequest.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(request)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

import urllib2import randomurl = "http://www.baidu.com"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headerrequest.add_header("User-Agent", user_agent)# get_header()的字符串参数，第一个字母大写，后面的全部小写request.get_header("User-agent")response = urllib2.urlopen(request )html = response.read()print html

二：urllib2默认只支持HTTP/HTTPS的`GET`和`POST`方法

URL编码转换：urllib的urlencode()

urllib 和 urllib2 都是接受URL请求的相关模块，但是提供了不同的功能。两个最显著的不同如下：

urllib 模块仅可以接受URL，不能创建设置了headers 的Request 类实例；

但是 urllib 提供 urlencode 方法用来产生GET查询字符串，而 urllib2 则没有。（这是 urllib 和 urllib2 经常一起使用的主要原因）

编码工作使用urllib的urlencode()函数，帮我们将key:value这样的键值对，转换成"key=value"这样的字符串，解码工作可以使用urllib的unquote()函数。（ 注意，不是urllib2.urlencode())

# IPython2 中的测试结果In [1]: import urllibIn [2]: word = {
        "wd" : "人人网"}# 通过urllib.urlencode()方法，将字典键值对按URL编码转换，从而能被web服务器接受。In [3]: urllib.urlencode(word)  Out[3]: "wd=%E4%BA%BA%E4%BA%BA%E7%BD%91"# 通过urllib.unquote()方法，把 URL编码字符串，转换回原先字符串。In [4]: print urllib.unquote("wd=%E4%BA%BA%E4%BA%BA%E7%BD%91")wd=人人网

一般HTTP请求提交数据，需要编码成 URL编码格式，然后做为url的一部分，或者作为参数传到Request对象中。

Get方式

GET请求一般用于我们向服务器获取数据，比如说，我们用百度搜索人人网：

在其中我们可以看到在请求部分里，http://www.baidu.com/s? 之后出现一个长长的字符串，其中就包含我们要查询的关键词传智播客，于是我们可以尝试用默认的Get方式来发送请求。

import urllib      #负责url编码处理import urllib2url = "http://www.baidu.com/s"word = {
        "wd":"人人网"}word = urllib.urlencode(word) #转换成url编码格式（字符串）newurl = url + "?" + word    # url首个分隔符就是 ?headers={ "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.103 Safari/537.36"}request = urllib2.Request(newurl, headers=headers)response = urllib2.urlopen(request)print response.read()

批量爬取贴吧页面数据

首先我们创建一个python文件, tiebaSpider.py，我们要完成的是，输入一个百度贴吧的地址，以及起始页和结束页，就能将所有的网页源码下载并保存到本地。

比如百度贴吧LOL吧：

第一页：

第二页：

第三页：

发现规律了吧，贴吧中每个页面不同之处，就是url最后的pn的值，其余的都是一样的，我们可以抓住这个规律。

简单写一个小爬虫程序，来爬取百度LOL吧的所有网页。

先写一个main，提示用户输入要爬取的贴吧名，并用urllib.urlencode()进行转码，然后组合url，假设是lol吧，那么组合后的url就是：http://tieba.baidu.com/f?kw=lol

# 模拟 main 函数if __name__ == "__main__":    kw = raw_input("请输入需要爬取的贴吧:")    # 输入起始页和终止页，str转成int类型    beginPage = int(raw_input("请输入起始页："))    endPage = int(raw_input("请输入终止页："))    url = "http://tieba.baidu.com/f?"    key = urllib.urlencode({
        "kw" : kw})    # 组合后的url示例：http://tieba.baidu.com/f?kw=lol    url = url + key    tiebaSpider(url, beginPage, endPage)

接下来，我们写一个百度贴吧爬虫接口，我们需要传递3个参数给这个接口，一个是main里组合的url地址，以及起始页码和终止页码，表示要爬取页码的范围。

def tiebaSpider(url, beginPage, endPage):    """        作用：负责处理url，分配每个url去发送请求        url：需要处理的第一个url        beginPage: 爬虫执行的起始页面        endPage: 爬虫执行的截止页面    """    for page in range(beginPage, endPage + 1):        pn = (page - 1) * 50        filename = "第" + str(page) + "页.html"        # 组合为完整的 url，并且pn值每次增加50        fullurl = url + "&pn=" + str(pn)        #print fullurl        # 调用loadPage()发送请求获取HTML页面        html = loadPage(fullurl, filename)        # 将获取到的HTML页面写入本地磁盘文件        writeFile(html, filename)

我们已经之前写出一个爬取一个网页的代码。现在，我们可以将它封装成一个小函数loadPage，供我们使用。

def loadPage(url, filename):    '''        作用：根据url发送请求，获取服务器响应文件        url：需要爬取的url地址        filename: 文件名    '''    print "正在下载" + filename    headers = {
        "User-Agent": "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}    request = urllib2.Request(url, headers = headers)    response = urllib2.urlopen(request)    return response.read()

最后如果我们希望将爬取到了每页的信息存储在本地磁盘上，我们可以简单写一个存储文件的接口。

参考资料:

def writeFile(html, filename):    """        作用：保存服务器响应文件到本地磁盘文件里        html: 服务器响应文件        filename: 本地磁盘文件名    """    print "正在存储" + filename    with open(filename.decode('utf-8'), 'w') as f: 　　　　　f.write(html) 　　 print "-" * 20

其实很多网站都是这样的，同类网站下的html页面编号，分别对应网址后的网页序号，只要发现规律就可以批量爬取页面了。

获取AJAX加载的内容

有些网页内容使用AJAX请求加载，这种数据无法直接对网页url进行获取。但是只要记住，AJAX请求一般返回给网页的是JSON文件，只要对AJAX请求地址进行POST或GET，就能返回JSON数据了。

如果非要从HTML页面里获取展现出来的数据，也不是不可以。但是要记住，作为一名爬虫工程师，你更需要关注的是数据的来源。

# demo1url = "https://movie.douban.com/j/chart/top_list?type=11&interval_id=100%3A90&action=&"headers={
          "User-Agent": "Mozilla...."}# 变动的是这两个参数，从start开始往后显示limit个 formdata = { 'start':'0', 'limit':'10' } data = urllib.urlencode(formdata) request = urllib2.Request(url + data, headers = headers) response = urllib2.urlopen(request) print response.read() # demo2 url = "https://movie.douban.com/j/chart/top_list?" headers={ "User-Agent": "Mozilla...."} # 处理所有参数 formdata = { 'type':'11', 'interval_id':'100:90', 'action':'', 'start':'0', 'limit':'10' } data = urllib.urlencode(formdata) request = urllib2.Request(url + data, headers = headers) response = urllib2.urlopen(request) print response.read()

POST方式：

之前我们说了，Request请求对象的里有data参数，它就是用在POST里的，我们要传送的数据就是这个参数data，data是一个字典，里面要匹配键值对。

有道词典翻译网站：

输入测试数据，再通过使用Fiddler观察，其中有一条是POST请求，而向服务器发送的请求数据并不是在url里，那么我们可以试着模拟这个POST请求。

于是，我们可以尝试用POST方式发送请求。

import urllibimport urllib2# POST请求的目标URLurl = "http://fanyi.youdao.com/translate?smartresult=dict&smartresult=rule&smartresult=ugc&sessionFrom=null"headers={
            "User-Agent": "Mozilla...."} formdata = { "type":"AUTO", "i":"i love python", "doctype":"json", "xmlVersion":"1.8", "keyfrom":"fanyi.web", "ue":"UTF-8", "action":"FY_BY_ENTER", "typoResult":"true" } data = urllib.urlencode(formdata) request = urllib2.Request(url, data = data, headers = headers) response = urllib2.urlopen(request) print response.read()

发送POST请求时，需要了解的headers一些属性：

Content-Length: 144：是指发送的表单数据长度为144，也就是字符个数是144个。

Content-Type: application/x-www-form-urlencoded ：表示浏览器提交 Web 表单时使用，表单数据会按照 name1=value1&name2=value2 键值对形式进行编码。

X-Requested-With: XMLHttpRequest ：表示AJAX异步请求。

问题：GET和POST的区别？

GET方式是直接以链接形式访问，链接中包含了所有的参数，服务器端用Request.QueryString获取变量的值。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，服务器端用Request.Form获取提交的数据，在Form提交的时候。但是HTML代码里如果不指定 method 属性，则默认为GET请求，Form中提交的数据将会附加在url之后，以?分开与url分开。

表单数据可以作为 URL 字段（method="get"）或者 HTTP POST （method="post"）的方式来发送。比如在下面的HTML代码中，表单数据将因为（method="get"）而附加到 URL 上：


          
          First name: 
 
          Last name:

处理HTTPS请求 SSL证书验证

现在随处可见 https 开头的网站，urllib2可以为 HTTPS 请求验证SSL证书，就像web浏览器一样，如果网站的SSL证书是经过CA认证的，则能够正常访问，如：https://www.baidu.com/等...

如果SSL证书验证不通过，或者操作系统不信任服务器的安全证书，比如浏览器在访问12306网站如：的时候，会警告用户证书不受信任。（据说 12306 网站证书是自己做的，没有通过CA认证）

urllib2在访问的时候则会报出SSLError：

import urllib2url = "https://www.12306.cn/mormhweb/"headers = {
          "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"}request = urllib2.Request(url, headers = headers)response = urllib2.urlopen(request)print response.read()

运行结果：

urllib2.URLError: <urlopen error [SSL: CERTIFICATE_VERIFY_FAILED] certificate verify failed (_ssl.c:590)>

所以，如果以后遇到这种网站，我们需要单独处理SSL证书，让程序忽略SSL证书验证错误，即可正常访问。

import urllibimport urllib2# 1. 导入Python SSL处理模块import ssl# 2. 表示忽略未经核实的SSL证书认证 context = ssl._create_unverified_context() url = "https://www.12306.cn/mormhweb/" headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36"} request = urllib2.Request(url, headers = headers) # 3. 在urlopen()方法里 指明添加 context 参数 response = urllib2.urlopen(request, context = context) print response.read()