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:
1 import urllib2
2
3 response=urllib2.urlopen('http://gs.ccnu.edu.cn/')
4 html=response.read()
5 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。
1 import urllib2
2
3 req=urllib2.Request('http://gs.ccnu.edu.cn/')
4 response2=urllib2.urlopen(req)
5 page=response2.read()
6 print page
模拟ftp请求:
1 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。
1 import urllib
2 import urllib2
3
4 url = 'http://www.someserver.com/register.cgi'
5
6 values = {"input1": "SeeKHit",
7 "input2": "123456",
8 "__EVENTTARGET": "btnLogin",
9 "__EVENTARGUMENT": "" }
10
11 data = urllib.urlencode(values) # 编码工作
12 req = urllib2.Request(url, data) # 发送请求同时传data表单
13 response = urllib2.urlopen(req) #接受反馈的信息
14 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”
1 url = 'http://www.someserver.com/register.cgi'
2 user_agent = 'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT)'
3 headers = { 'User-Agent' : user_agent }
4 values = {"input1": "SeeKHit",
5 "input2": "123456",
6 "__EVENTTARGET": "btnLogin",
7 "__EVENTARGUMENT": "" }
8
9 data = urllib.urlencode(values) # 编码工作
10 req = urllib2.Request(url, data, headers) # 发送请求,传data表单,模拟User-
11 response = urllib2.urlopen(req) #接受反馈的信息
12 the_page = response.read() #读取反馈的内容