Python爬虫入门二之Urllib库的基本使用
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。 import urllib2 response = urllib2.urlopen("http://www.baidu.com") print response.read()
是的你没看错,真正的程序就两行,把它保存成 demo.py,进入该文件的目录,执行如下命令查看运行结果,感受一下。 python demo.py
看,这个网页的源码已经被我们扒下来了,是不是很酸爽? 2. 分析扒网页的方法
那么我们来分析这两行代码,第一行 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: 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。 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: >
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 Request
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 import urllib2 request = urllib2.Request("http://www.baidu.com") response = urllib2.urlopen(request) 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。 import urllib import urllib2 values = {"username":"1016903103@qq.com","password":"XXXX"} data = urllib.urlencode(values) url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn" request = urllib2.Request(url,data) response = urllib2.urlopen(request) 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 import urllib import urllib2 values = {} values["username"] = "1016903103@qq.com" values["password"] = "XXXX" data = urllib.urlencode(values) url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn" request = urllib2.Request(url,data) response = urllib2.urlopen(request) 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。 import urllib import urllib2 values={} values["username"] = "1016903103@qq.com" values["password"]="XXXX" data = urllib.urlencode(values) url = "http://passport.csdn.net/account/login" geturl = url + "?"+data request = urllib2.Request(geturl) response = urllib2.urlopen(request) 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 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,小伙伴们加油哦!
独家小红书组织架构调整,社区部和电商部将合并新言财经从多个信源独家获悉,小红书于近日进行了组织架构调整,原有的社区部和电商部将合并成新的社区部门。此外,有消息称,小红书COO柯南要带电商业务。新言财经就此事向小红书方面求证,
付费直播已来,如何才能撬开用户钱包?现在,各大自媒体平台正在相继推出付费直播节目。1月24下午,微信视频号在腾讯NBA上线首个付费直播间,一些喜欢看篮球赛的观众在微信视频平台收看节目就需要付费才能观看。笔者不是球迷,
新能源巨头全球抢矿,争夺话语权过去的2021年,中国新能源汽车销量站上了300万辆的高位,一举奠定这个行业的发展根基。一众电动车企和电池生产商,也超越了金融地产互联网大佬,站上了C位。欲戴其冠必承其重。随着需求
快看小红书组织架构调整社区部和电商部合并记者佘晓晨编辑1月25日,据新言财经报道,小红书于近日进行了组织架构调整,原有的社区部和电商部将合并成新的社区部门。此外,有消息称,小红书COO柯南将负责电商业务。对此,小红书方面
Hi大家好我是退坡Hi大家好我是退坡1。有人问,新能源退坡30是什么意思?就是guojia补贴政策减少,换言之就是新能源的补贴少了那么你买这台车的到手价就高了。2。关我什么事?新能源全系涨价,只要你
美媒评出消费电子展最酷新品韶音OpenRunPro骨传导耳机据美国新闻周刊网站1月5日报道,今年的消费电子展(CES)延续了为接下来的一年里我们可以期待的各种技术定下基调的传统。新闻周刊刊文介绍了2022年美国消费电子展25款最酷的新产品装
腾讯2021年近70人因触犯腾讯高压线被辞退中新财经1月25日电据阳光腾讯25日消息,2021年全年,腾讯反舞弊调查部共发现并查处触犯腾讯高压线案件50余起,近70人因触犯腾讯高压线被辞退,10余人因涉嫌犯罪被移送公安机关处
太阳能光伏发电应用与前景太阳能光伏发电概述太阳能是首屈一指的绿色能源,太阳能每秒钟到达地面的能量高达8105kW,假如把到达地球表面0。1的太阳能转为电能,转变率为5,每年发电量可达5。61012kWh,
小米新款骁龙8旗舰机爆料MIXFOLD2配备8英寸2。5K屏IT之家1月24日消息,今日微博博主数码闲聊站再次对小米未来的新机进行爆料。他表示,小米品牌现在进入排期规划的还有两台骁龙8Gen1平台高分屏旗舰一个采用6。7英寸2K120HzL
线上会展迅猛发展,项目展览馆也有这类改变伴随着互联网大数据等科技形式的进步,很多东西也利用这类形式,造成着突飞猛进的改变。项目的开办策略开办形式在持续产生变化,但项目展览馆的进步貌似下降了。怎样可以让项目展览馆为项目整合
新材料可在室温下进行量子翻转据最新一期英国自然通讯报道,美国密歇根大学开发出一种半导体材料,可在室温条件下实现从导体到绝缘体的量子翻转,有助于开发新一代量子设备和超高效电子设备。研究人员在只有一个原子厚的二维