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！