文档介绍：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。 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 HTM L 中的,下面我们就写个例子来扒一个网页下来。 1234 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 ,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? 2. 分析扒网页的方法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 url open ( 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 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 0x7f1513f b3ad0 >> 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 Requset 其实上面的 urlope n参数可以传入一个 reques t请求,它其实就是一个 Reques t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 12345 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。 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。 123 import urllib import urllib2 第 5页共