【爬虫】第一课

admin

下面使用 Python 内置的 urllib 库获取网页的 html 信息。注意，urllib 库属于 Python 的标准库模块，无须单独安装，它是 Python 爬虫的常用模块。
获取网页html信息1) 获取响应对象向百度（http://www.baidu.com/）发起请求，获取百度首页的 HTML 信息，代码如下：

[Python] 纯文本查看 复制代码

#导包,发起请求使用urllib库的request请求模块
import urllib.request
# urlopen()向URL发请求,返回响应对象,注意url必须完整
response=urllib.request.urlopen('http://www.baidu.com/')
print(response)

[Python] 纯文本查看 复制代码

#发起请求使用urllib库的request请求模块
from urllib import request
response=request.urlopen('http://www.baidu.com/')
print(response)

上述代码会返回百度首页的响应对象， 其中 urlopen() 表示打开一个网页地址。注意：请求的 url 必须带有 http 或者 https 传输协议。

输出结果，如下所示：
<http.client.HTTPResponse object at 0x032F0F90>

2) 输出HTML信息在上述代码的基础上继续编写如下代码：

[Python] 纯文本查看 复制代码

import urllib.request
# urlopen()向URL发请求,返回响应对象
response=urllib.request.urlopen('http://www.baidu.com/')
# 提取响应内容
html = response.read().decode('utf-8')
# 打印响应内容
print(html)

常用方法在本节您认识了第一个爬虫库 urllib，下面关于 urllib 做简单总结。
1) urlopen()表示向网站发起请求并获取响应对象，如下所示：

[Python] 纯文本查看 复制代码

urllib.request.urlopen(url,timeout)

urlopen() 有两个参数，说明如下：

• url：表示要爬取数据的 url 地址。
• timeout：设置等待超时时间，指定时间内未得到响应则抛出超时异常。
  
  

2) Request()该方法用于创建请求对象、包装请求头，比如重构 User-Agent（即用户代理，指用户使用的浏览器）使程序更像人类的请求，而非机器。重构 User-Agent 是爬虫和反爬虫斗争的第一步。在下一节会做详细介绍。

[Python] 纯文本查看 复制代码

urllib.request.Request(url,headers)

参数说明如下：

• url：请求的URL地址。
• headers：重构请求头。
  
  

3) html响应对象方法

[Python] 纯文本查看 复制代码

bytes = response.read() # read()返回结果为 bytes 数据类型
string = response.read().decode() # decode()将字节串转换为 string 类型
url = response.geturl() # 返回响应对象的URL地址
code = response.getcode() # 返回请求时的HTTP响应码