python3爬虫——urlllib使用，python3爬虫urlllib,参考内容：1.htt

python3爬虫——urlllib使用，python3爬虫urlllib,参考内容：1.htt

参考内容：1.https://www.cnblogs.com/Lands-ljk/p/5447127.html 2.https://cuiqingcai.com/947.html

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。

from urllib.request import urlopenresponse=urlopen("http://www.baidu.com")html=response.read().decode(‘utf-8‘)print(html)

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。

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=urlopen("http://www.baidu.com")

首先我们调用的是urllib库里面的request下的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。使用方法如下：

urllib.request.urlopen(url,data=None,[timeout,]*,cafile=None,capath=None,cadefault=False,context=None)

-url: 需要打开的网址

-data：Post提交的数据

-timeout：设置网站的访问超时时间

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。

如果不加read：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！

直接用urllib.request模块的urlopen（）获取页面，page的数据格式为bytes类型，需要decode（）解码，转换成str类型。

1 from urllib import request2 response = request.urlopen(r‘http://python.org/‘) # <http.client.HTTPResponse object at 0x00000000048BC908> HTTPResponse类型3 page = response.read()4 page = page.decode(‘utf-8‘)

urlopen返回对象提供方法：

-read() , readline() ,readlines() , fileno() , close() ：对HTTPResponse类型数据进行操作

-info()：返回HTTPMessage对象，表示远程服务器返回的头信息

-getcode()：返回Http状态码。如果是http请求，200请求成功完成;404网址未找到

-geturl()：返回请求的url

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

from urllib import request req=request.Request("http://www.baidu.com")print(req)response=request.urlopen(req)html=response.read()html = html.decode(‘utf-8‘)print(html)

　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。

urllib.request.Request(url,data=None,headers={}, method=None)

使用request（）来包装请求，再通过urlopen（）获取页面。

再比如：

url = r‘http://www.lagou.com/zhaopin/Python/?labelWords=label‘headers = {    ‘User-Agent‘: r‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ‘                  r‘Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3‘,    ‘Referer‘: r‘http://www.lagou.com/zhaopin/Python/?labelWords=label‘,    ‘Connection‘: ‘keep-alive‘}req = request.Request(url, headers=headers)page = request.urlopen(req).read()page = page.decode(‘utf-8‘)

用来包装头部的数据：

-User-Agent ：这个头部可以携带如下几条信息：浏览器名和版本号、操作系统名和版本号、默认语言

-Referer：可以用来防止盗链，有一些网站图片显示来源http://***.com，就是检查Referer来鉴定的

-Connection：表示连接状态，记录Session的状态。

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。

（1）POST

urllib.request.urlopen(url,data=None,[timeout,]*,cafile=None,capath=None,cadefault=False,context=None)

urlopen（）的data参数默认为None，当data参数不为空的时候，urlopen（）提交方式为Post。

一个例子：

from urllib import request, parseurl = r‘http://www.lagou.com/jobs/positionAjax.json?‘headers = {    ‘User-Agent‘: r‘Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) ‘                  r‘Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3‘,    ‘Referer‘: r‘http://www.lagou.com/zhaopin/Python/?labelWords=label‘,    ‘Connection‘: ‘keep-alive‘}data = {    ‘first‘: ‘true‘,    ‘pn‘: 1,    ‘kd‘: ‘Python‘}data = parse.urlencode(data).encode(‘utf-8‘)req = request.Request(url,data=data, headers=headers, )page = request.urlopen(req).read()page = page.decode(‘utf-8‘)print(page)

urllib.parse.urlencode(query, doseq=False, safe=‘‘, encoding=None, errors=None)

urlencode（）主要作用就是将url附上要提交的数据。

data = {    ‘first‘: ‘true‘,    ‘pn‘: 1,    ‘kd‘: ‘Python‘}data = parse.urlencode(data).encode(‘utf-8‘)

　经过urlencode（）转换后的data数据为?first=true?pn=1?kd=Python，最后提交的url为

http://www.lagou.com/jobs/positionAjax.json?first=true?pn=1?kd=Python

Post的数据必须是bytes或者iterable of bytes，不能是str，因此需要进行encode（）编码

当然，也可以把data的数据封装在urlopen（）参数中。

另一个例子：

现在我们要模拟登陆CSDN:当然下面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。

values={‘username‘:"[email protected]","password":"xxxx"}data=parse.urlencode(values).encode(‘utf-8‘)

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。

（2）GET　

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。

values={‘username‘:"[email protected]","password":"xxxx"}data=parse.urlencode(values).encode(‘utf-8‘)url="http://passport.csdn.net/account/login"geturl=url+"?"+datareq = request.Request(geturl )page = request.urlopen(req).read()page = page.decode(‘utf-8‘)print(page)

　　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

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。

python3爬虫——urlllib使用