Python爬蟲urllib模塊是什么

本篇文章給大家分享的是有關Python爬蟲urllib模塊是什么，小編覺得挺實用的，因此分享給大家學習，希望大家閱讀完這篇文章后可以有所收獲，話不多說，跟著小編一起來看看吧。

在 Python 中有很多庫可以用來抓取網頁，其中內置了 urllib 模塊，該模塊就能實現我們基本的網頁爬取。

在 Python2.x 和 Python3.x 中 urllib 模塊是不一樣的，但是用法上差不多，我們先用 Python2.x 中的 urllib 來實現一個 demo。

在 Python2.x 中內置了 urllib 模塊，但是 Python 創始人 Guido van Rossum 覺得其太臃腫了，于是又寫了一個 urllib2，兩者有很多不同，最顯著的如下：

（1）urllib僅可以接受URL，不能創建，設置headers的request類實例；

（2）但是urllib提供urlencode()方法用來GET查詢字符串的產生，而urllib2則沒有（這是urllib和urllib2經常一起使用的主要原因）

（3）編碼工作使用urllib的urlencode()函數，幫我們講key:value這樣的鍵值對轉換成‘key=value’這樣的字符串，解碼工作可以使用urllib的unquote()函數。

我們就使用 urllib2 來實現一個簡單的爬蟲：

# 導入urllib2 庫
import urllib2
 
# 向指定的url發送請求，并返回服務器響應的類文件對象
response = urllib2.urlopen("http://www.baidu.com")
# 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串
html = response.read().decode("utf-8")
# 打印字符串
print(html)

在上面的代碼中我們其實就相當于模擬了查看百度首頁，然后獲取百度首頁的 html 內容。

urllib2 在 python3.x 中被改為urllib.request,python2.x 的 urllib 和 urllib2 在 python3.x 中合并為 urllib。

在 Python3.x 中實現上面的代碼如下：

# 導入urllib 庫
import urllib.request 
# 向指定的url發送請求，并返回服務器響應的類文件對象
response = urllib.request.urlopen("http://www.baidu.com")
# 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串
html = response.read().decode("utf-8")
# 打印字符串
print(html)

最終的打印結果如下，內容太長就截一小段：

歷史的車輪滾滾而來，雖然大部分 Python 使用者還在使用 Python2.x，但 Python3.x 肯定有其之長才被發布的，本人作為小白，就選取 Python3.x 學習吧。

在我們上面的例子中，urlopen()的參數就是一個url地址；

但是如果需要執行更復雜的操作，比如增加HTTP報頭，必須創建一個 Request 實例來作為urlopen()的參數；而需要訪問的url地址則作為 Request 實例的參數。

# 導入urllib 庫
import urllib.request
 
# url 作為Request()方法的參數，構造并返回一個Request對象
request = urllib.request.Request("http://www.baidu.com")
# Request對象作為urlopen()方法的參數，發送給服務器并接收響應
response = urllib.request.urlopen(request)
# 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串
html = response.read().decode("utf-8")
# 打印字符串
print(html)

最終的打印結果一致。

新建Request實例，除了必須要有 url 參數之外，還可以設置另外兩個參數：

data（默認空）：是伴隨 url 提交的數據（比如要post的數據），同時 HTTP 請求將從 "GET"方式 改為 "POST"方式。

headers（默認空）：是一個字典，包含了需要發送的HTTP報頭的鍵值對。

這兩個參數下面會說到。

但是這樣直接用 urllib 給一個網站發送請求的話，確實略有些唐突了，就好比，人家每家都有門，你以一個路人的身份直接闖進去顯然不是很禮貌。而且有一些站點不喜歡被程序（非人為訪問）訪問，有可能會拒絕你的訪問請求。

但是如果我們用一個合法的身份去請求別人網站，顯然人家就是歡迎的，所以我們就應該給我們的這個代碼加上一個身份，就是所謂的User-Agent頭。

瀏覽器 就是互聯網世界上公認被允許的身份，如果我們希望我們的爬蟲程序更像一個真實用戶，那我們第一步，就是需要偽裝成一個被公認的瀏覽器。用不同的瀏覽器在發送請求的時候，會有不同的User-Agent頭。

現在我們就來加一個 User-Agent 的報頭。

當我們打開 https://www.baidu.com/，我們在開發者工具的 Network 下，我們會找到一個 

User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36

當然還有 Accept，Host，Cookie 等信息。

# 導入urllib 庫
import urllib.request
import ssl
 
# 取消代理驗證
ssl._create_default_https_context = ssl._create_unverified_context
# User-Agent
headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14_4) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/73.0.3683.103 Safari/537.36"}
# url 作為Request()方法的參數，構造并返回一個Request對象
request = urllib.request.Request("http://www.baidu.com",headers=headers)
# Request對象作為urlopen()方法的參數，發送給服務器并接收響應
response = urllib.request.urlopen(request)
# 類文件對象支持 文件對象的操作方法，如read()方法讀取文件全部內容，返回字符串
html = response.read().decode("utf-8")
# 打印字符串
print(html)

在上面的代碼中，我們又引入了 ssl 模塊，由于現在百度使用的是 https 協議，進入頁面需要代理驗證，為了不必要的麻煩，我們干脆取消代理驗證，所以用到了 ssl 模塊。

然后我們定義了一個 headers 的變量，即響應頭信息，然后我們在 Request 的第二個形參中將 headers=headers，這樣我們在請求 https://www.baidu.com/，就相當于我們手動在瀏覽器輸入 url 鏈接是一樣的效果。

以上就是Python爬蟲urllib模塊是什么，小編相信有部分知識點可能是我們日常工作會見到或用到的。希望你能通過這篇文章學到更多知識。更多詳情敬請關注億速云行業資訊頻道。