python爬虫入门教程.doc

Python爬虫入门三之Urllib库的基本使用 ?Python ?崔庆才??5个月前 (02-12)??13660℃??13评论 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。 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 2 3 4 import urllib2 ? response = urllib2.urlopen() 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。 1 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？ 那么我们来分析这两行代码，第一行 1 response = urllib2.urlopen() 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！ 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 2 3 4 5 import urllib2 ? request = urllib2.Request() 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。 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。 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 2 3 4 5 6 7 8 9 import urllib import urllib2 ? values = {username:1016903103@,password:XXXX} data = urllib.urlencode(values) url = /account/login?from=/my/mycsdn request = urllib2.Request(url,data) response = urllib2.urlopen(request) prin