學習爬蟲基礎3-urllib2庫的基本使用

urllib2庫的基本使用

urllib2 是python2 中的產物 在python3 中 urllib2和urllib合併成了 urllib了
在 python3 中，urllib2 被改爲urllib.request

代碼演示

urlopen（）方法：

# 導入urllib2 庫
import urllib2

# 向指定的url發送請求，並返回服務器響應的類文件對象
response = urllib2.urlopen("http://www.baidu.com")

# 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串
html = response.read()

# 打印字符串
print html

request （）方法

在我們第一個例子裏，urlopen()的參數就是一個url地址；

但是如果需要執行更復雜的操作，比如增加HTTP報頭，必須創建一個 Request 實例來作爲urlopen()的參數；而需要訪問的url地址則作爲 Request 實例的參數。

import urllib2

# url 作爲Request()方法的參數，構造並返回一個Request對象
request = urllib2.Request("http://www.baidu.com")

# Request對象作爲urlopen()方法的參數，發送給服務器並接收響應
response = urllib2.urlopen(request)

html = response.read()

print html

解釋：
新建Request實例，除了必須要有 url 參數之外，還可以設置另外兩個參數：

data（默認空）：提交的Form表單數據，同時 HTTP 請求方法將從默認的 "GET"方式 改爲 "POST"方式。

headers（默認空）：參數爲字典類型，包含了需要發送的HTTP報頭的鍵值對。

User-Agent的使用

但是這樣直接用urllib2給一個網站發送請求的話，確實略有些唐突了，就好比，人家每家都有門，你以一個路人的身份直接闖進去顯然不是很禮貌。而且有一些站點不喜歡被程序（非人爲訪問）訪問，有可能會拒絕你的訪問請求。

但是如果我們用一個合法的身份去請求別人網站，顯然人家就是歡迎的，所以我們就應該給我們的這個代碼加上一個身份，就是所謂的User-Agent頭。

瀏覽器 就是互聯網世界上公認被允許的身份，如果我們希望我們的爬蟲程序更像一個真實用戶，那我們第一步就是需要僞裝成一個被瀏覽器。用不同的瀏覽器在發送請求的時候，會有不同的 User-Agent 報頭。

urllib2默認的User-Agent頭爲：Python-urllib/x.y （x和y 是Python 主.次 版本號，例如 Python-urllib/2.7）

import urllib2

url = "http://www.itcast.cn"

# IE 9.0 的 User-Agent，包含在 user_agent裏
user_agent = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)"} 

#  url 連同 headers，一起構造Request請求，這個請求將附帶 IE9.0 瀏覽器的User-Agent
request = urllib2.Request(url, headers = user_agent)

# 向服務器發送這個請求
response = urllib2.urlopen(request)

html = response.read()
print html

add-header（）方法的使用

在 HTTP Request 中加入特定的 Header，來構造一個完整的HTTP請求消息。
可以通過調用Request.add_header() 添加/修改一個特定的header
也可以通過調用Request.get_header()來查看已有的header。

import urllib2

url = "http://www.itcast.cn"

#IE 9.0 的 User-Agent
user_agent = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)"} 
request = urllib2.Request(url, headers = user_agent)

#也可以通過調用Request.add_header() 添加/修改一個特定的header
request.add_header("Connection", "keep-alive")

# 也可以通過調用Request.get_header()來查看header信息
# request.get_header(header_name="Connection")

response = urllib2.urlopen(request)

print response.code     #可以查看響應狀態碼
html = response.read()

print html

隨機的添加一個頭信息到請求中  使用了 random.choice() 方法
mport urllib2
import random

url = "http://www.itcast.cn"

ua_list = [
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
    "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
    "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6"
]

user_agent = random.choice(ua_list)

request = urllib2.Request(url)

#也可以通過調用Request.add_header() 添加/修改一個特定的header
request.add_header("User-Agent", user_agent)

# get_header()的字符串參數，第一個字母大寫，後面的全部小寫
request.get_header("User-agent")

response = urllib2.urlopen(request)

html = response.read()
print html