【Python网络爬虫二】使用urllib2抓去网页内容

在Python中通过导入urllib2组件，来完成网页的抓取工作。在python3.x中被改为urllib.request。

爬取具体的过程类似于使用程序模拟IE浏览器的功能，把URL作为HTTP请求的内容发送到服务器端， 然后读取服务器端的响应资源。

实现过程：

import urllib2

response=urllib2.urlopen('http://gs.ccnu.edu.cn/')
html=response.read()
print html

将返回的html信息打印出来，这和在网站上右键，查看源码看到的内容是一样的。浏览器通过这些源码，将要现实的内容渲染出来。

除了"http:"，URL同样可以使用"ftp:"，"file:"等等来替代。

HTTP是基于请求和应答机制的：

客户端提出请求，服务端提供应答。

同样urllib2，可以通过模拟一个请求，然后将这个请求作为参数传入urlopen中，在读取返回的内容。

import urllib2

req=urllib2.Request('http://gs.ccnu.edu.cn/')
response2=urllib2.urlopen(req)
page=response2.read()
print page

模拟ftp请求：

req=urllib2.Request("ftp://example.com/")

在进行http请求的时候可以做两件事

1.发送data表单数据

有时候我们在爬取网页的时候，需要提交一个表单，模拟登陆或者注册的操作。

通常http中通过post操作完成， 而在request时，提交的data表单需要讲过urllib中encode编码成标准的方式。

import urllib  
import urllib2  

url = 'http://www.someserver.com/register.cgi'  
  
values = {"input1": "SeeKHit", 
          "input2": "123456", 
          "__EVENTTARGET": "btnLogin", 
          "__EVENTARGUMENT": "" }  

data = urllib.urlencode(values) # 编码工作
req = urllib2.Request(url, data)  # 发送请求同时传data表单
response = urllib2.urlopen(req)  #接受反馈的信息
the_page = response.read()  #读取反馈的内容

2.设置Header到http请求

有时候建立http连接后，服务器会根据浏览器传过去的User-Agent头来，返回不同的内容给客户端。已达到不同的显示效果。（如安卓上的uc浏览器，就有一个设置设备标识的，如手机版，电脑版，ipad）

Python支持可以自定义的发送过去的User-Agent头，将自定义的字典作为User-Agent头作为一个参数，创建一个请求。

以下代码，讲User-Agent伪装成IE浏览器来，进行访问。

1. 应用程序版本“Mozilla/4.0”表示：你使用Maxthon 2.0 浏览器使用 IE8 内核；
2. 版本标识“MSIE 8.0”
3. 平台自身的识别信息“Windows NT ”表示“操作系统为 Windows”

url = 'http://www.someserver.com/register.cgi'
user_agent = 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT)'
headers = { 'User-Agent' : user_agent }
values = {"input1": "SeeKHit",
          "input2": "123456",
          "__EVENTTARGET": "btnLogin",
          "__EVENTARGUMENT": "" }

data = urllib.urlencode(values) # 编码工作
req = urllib2.Request(url, data, headers)  # 发送请求,传data表单,模拟User-
response = urllib2.urlopen(req)  #接受反馈的信息
the_page = response.read()  #读取反馈的内容