所谓网页抓取，就是把url地址中指定的网络资源从网络流中读取出来，保存到本地。在python中有很多库可以用来抓取网页，我们先学习urllib.request。（在python2.x中为urllib2）
urlopen我们先阅读以下代码：
#!/usr/bin/python3 # -*- conding:utf-8 -*- __author__ = 'mayi' # 导入urllib.request库 import urllib.request # 向指定的url发送请求，并返回服务器响应的类文件对象 response = urllib.request.urlopen("http://www.baidu.com/") # 类文件对象支持 文件对象的操作方法，如read()方法读取文件全部内容，返回字符串 html = response.read() # 打印字符串 print(html)
实际上，如果我们在浏览器上打开百度主页，右键选择“查看源代码”，你会发现，跟我们执行上面的程序输出的结果是一模一样的。也就是说，上面的几行代码就已经帮我们把百度的主页的全部代码爬了下来。
reuqest在上面的例子里，urlopen()的参数就是一个url地址。
但是如果需要执行更复杂的操作，比如增加http报头，则必须创建一个request实例来作为urlopen()的参数，而需要访问的url地址则作为request实例的参数。
#!/usr/bin/python3 # -*- conding:utf-8 -*- __author__ = 'mayi' # 导入urllib.request库 import urllib.request # url 作为request()方法的参数，构造并返回一个request对象 request = urllib.request.request("http://www.baidu.com/") # 向服务器发送这个请求 response = urllib.request.urlopen(request) html = response.read() print(html)
运行结果是完全一样的：
新建的request实例，除了必须要有url参数之外，还可以设置另外两个参数：
1.data（默认为空）：是伴随url提交的数据（比如post的数据），同时http请求将从“get”方式改为“post”方式。
2.headers（默认为空）：是一个字典，包含了需要发送的http报头的键值对。
user-agent如果我们希望我们的爬虫程序更像一个真实用户，那们我们第一步，就是需要伪装成一个被公认的浏览器。用不同的浏览器在发送请求的时候，会有不同的user-agent头。urllib.request默认的user-agent头为：python-urllib/x.y（x和y是python主版本和次版本号，例如python-urllib/3.5）
#!/usr/bin/python3 # -*- conding:utf-8 -*- __author__ = 'mayi' # 导入urllib.request库 import urllib.request # chrome 的 user-agent，包含在 header里 header = {'user-agent':'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/537.36 (khtml, like gecko) chrome/39.0.2171.71 safari/537.36'} # url 连同 headers，一起构造request请求，这个请求将附带 chrome 浏览器的user-agent request = urllib.request.request("http://www.baidu.com/", headers = header) # 向服务器发送这个请求 response = urllib.request.urlopen(request) html = response.read() print(html)
添加更多的header信息在http request中加入特定的header，来构造一个完整的http请求消息。
可以通过调用request.add_header() 添加/修改一个特定的header 也可以通过调用request.get_header()来查看已有的header。
添加一个特定的header
#!/usr/bin/python3 # -*- conding:utf-8 -*- __author__ = 'mayi' # 导入urllib.request库 import urllib.request # chrome 的 user-agent，包含在 header里 header = {'user-agent':'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/537.36 (khtml, like gecko) chrome/39.0.2171.71 safari/537.36'} # url 连同 headers，一起构造request请求，这个请求将附带 chrome 浏览器的user-agent request = urllib.request.request("http://www.baidu.com/", headers = header) # 也可以通过调用request.add_header() 添加/修改一个特定的header request.add_header("connection", "keep-alive") # 向服务器发送这个请求 response = urllib.request.urlopen(request) html = response.read() print(html)
以上就是urllib.request库的使用基础的详细内容。