Python爬虫学习（一）

本文主要是介绍Python爬虫学习（一），对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

1.使用urllib库

urllib库是python内置的HTTP请求库，包含4个模块：
1.request：是最基本的http请求模块，可以用来模拟发送请求，就像在浏览器里输入网址按回车一样，只需要给库方法传入URL和其他参数，就可以实现这个过程了。
2.error：异常处理模块。
3.parse：一个工具模块，提供许多URL处理方法，比如拆分，解析，合并等。
4.robotparser：主要用来识别网站的robot.txt文件，然后判断哪些网站可以爬，它用的比较少。
1.1发送请求
1.urlopen()方法
使用urlopen()方法模拟浏览器发送请求，以python官网为例：

# -*- coding: utf-8 -*-
import urllib.request

response=urllib.request.urlopen('http://www.python.org')
#爬取python官网
print(response.read().decode('utf-8'))

print(type(response))

用type（）方法查看输出类型，是一个HTTPResponse类型的对象，主要包含read(),readinto(),getheader(name),getheader(),fileno()等方法，以及msg,status,reason,debuglevel,closed等属性。
read()方法可以得到返回网页的内容，satus可以得到返回结果的状态码，如200代表成功，404代表未找到网页。
如：

print(response.status)
200

2.urlopen()的参数用法
urlopen()函数的API：
urllib.request.urlopen(url,data=None,[timeout, ]*,cafile=None,capath=None,cadefault=False,context=None)

• data参数：可选参数，如果传递了这个参数就不再是get方式，而是post方式。
• timeout参数：用于设置超时时间，单位秒，意思是如果超出这个时间还没有得到响应，就是抛出异常。可以实现控制一个网页如果长时间未响应，就跳过它的抓取，可以用try except语句实现。
  2.Request（）方法
  Request()方法可以构建更完整的请求，如需要在请求中加入Headers等信息。
  Request()用法如下：

import urllib.request
request=urllib.request.Request('http://python.org')
reslib.request.urlopen(request)
print(response.read().deponse=urlcode('utf-8'))

Request()方法构造如下：
urllib.request.Request(url,data=None,hesders={},origin_req_hostt=None,unverifiable=False,method=None)
headers是一个字典，它就是请求头，可以通过headers参数直接构造，也可以通过调用实例的add_header()方法添加。
添加请求头最常用的方法就是通过修改User-Agent来伪装浏览器，默认的User-Agent是Python-urllib，可以通过修改它来伪装浏览器。

这篇关于Python爬虫学习（一）的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！