首页 > 上网技巧 > 电脑小技巧 > python使用urllib2抓取网页

python使用urllib2抓取网页

时间:2020-01-06 19:36 作者:QQ地带 我要评论

1、使用python的库urllib2,用到urlopen和Request方法。
 
2、方法urlopen原形
 
urllib2.urlopen(url[, data][, timeout])
 
其中:
 
url表示目标网页地址,可以是字符串,也可以是请求对象Request
 
data表示post方式提交给目标服务器的参数
 
timeout表示超时时间设置
 
改方法返回一个类似文件的对象,有geturl()、info()、read()方法其中geturl()返回连接地址,info()返回网页信息。
 
要获取网页内容可以使用read()方法,read也可以带参数,表示读取内容的大小(字节)。
 
>>> import urllib2  
>>> socket = urllib2.urlopen("http://www.baidu.com")  
>>> content = socket.read()  
>>> socket.close()  
这样,网页的内容(content)就爬下来了,但是有些网站禁止爬虫,如果直接请求会出现以下错误:
 
urllib2.HTTPError: HTTP Error 403: Forbidden
 
解决方法是可以在请求加上头信息,伪装成浏览器的访问行为,需要用到Request方法:
 
3、方法Request原型
 
urllib2.Request(url[, data][, headers][, origin_req_host][, unverifiable])
 
其中:
 
url表示目标网页地址,可以是字符串,也可以是请求对象Request
 
data表示post方式提交给目标服务器的参数
 
headers表示用户标识,是一个字典类型的数据,有些不允许脚本的抓取,所以需要用户代理,像火狐浏览器的代理就是类似:Mozilla/5.0 (X11; U; Linux i686)Gecko/20071127 Firefox/2.0.0.11 浏览器的标准UA格式为:浏览器标识 (操作系统标识; 加密等级标识; 浏览器语言) 渲染引擎标识 版本信息 ,headers默认是Python-urllib/2.6
 
origin_req_host表示请求方的主机域名或者ip地址
 
unverifiable还没搞懂。。。
 
看一个例子:
 
>>> headers = {'User-Agent':'Mozilla/5.0 (X11; U; Linux i686)Gecko/20071127 Firefox/2.0.0.11'}  
>>> req = urllib2.Request(url="http://blog.csdn.net/deqingguo",headers=headers)  
>>> socket = urllib2.urlopen(req) 
>>> content = socket.read()  
    >>> socket.close()  

标签: Python
顶一下
(0)
0%
踩一下
(0)
0%

Google提供的广告