python爬虫入门教程.doc
《python爬虫入门教程.doc》由会员分享,可在线阅读,更多相关《python爬虫入门教程.doc(193页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、|Python 爬虫入门三之 Urllib 库的基本使用Python 崔庆才 5 个月前 (02-12) 13660 13 评论那么接下来,小伙伴们就一起和我真正迈向我们的爬虫之路吧。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。1234import urllib2r
2、esponse = urllib2.urlopen(“http:/“)print response.read()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。1python demo.py|看,这个网页的源码已经被我们扒下来了,是不是很酸爽?2.分析扒网页的方法那么我们来分析这两行代码,第一行1response = urllib2.urlopen(“http:/“)首先我们调用的是 urllib2 库里面的 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 FT
3、P,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,它的参数如下:|1urlopen(url, data, timeout)第一个参数 url 即为 URL,第二个参数 data 是访问 URL 时要传送的数据,第三个 timeout 是设置超时时间。第二三个参数是可以不传送的,data 默认为空 None,timeout 默认为socket._GLOBAL_DEFAULT_TIMEOUT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。
4、1print response.read()response 对象有一个 read 方法,可以返回获取到的网页内容。如果不加 read 直接打印会是什么?答案如下:1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!3.构造 Requset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|12345import urllib2request = urllib2.Request(“http:/“)response
5、 = urllib2.urlopen(request)print response.read()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。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
6、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。POST 方式:上面我们说了 data 参数是干嘛的?对了,它就是用在这里的,我们传送的数据就是这个参数 data,下面演示一下 POST 方式。1import urllib|23456789import urllib2values = “
7、username“:““,“password“:“XXXX“data = urllib.urlencode(values) url = “https:/ = urllib2.Request(url,data)response = urllib2.urlopen(request)print response.read()我们引入了 urllib 库,现在我们模拟登陆 CSDN,当然上述代码可能登陆不进去,因为还要做一些设置头部 header 的工作,或者还有一些参数没有设置全,还没有提及到在此就不写上去了,在此只是说明登录的原理。我们需要定义一个字典,名字为 values,参数我设置了 user
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- python 爬虫 入门教程
限制150内