python使用urllib2抓取网页

1、使用python的库urllib2，用到urlopen和Request方法。

2、方法urlopen原形

urllib2.urlopen(url[,
data][, timeout])

其中：

url表示目标网页地址，可以是字符串，也可以是请求对象Request

data表示post方式提交给目标服务器的参数

timeout表示超时时间设置

改方法返回一个类似文件的对象，有geturl()、info()、read()方法其中geturl()返回连接地址，info()返回网页信息。

要获取网页内容可以使用read()方法，read也可以带参数，表示读取内容的大小（字节）。

例子：

>>> import urllib2
>>> socket = urllib2.urlopen("http://www.baidu.com")
>>> content = socket.read()
>>> socket.close()

这样，网页的内容（content）就爬下来了，但是有些网站禁止爬虫，如果直接请求会出现以下错误：

urllib2.HTTPError: HTTP Error 403: Forbidden

解决方法是可以在请求加上头信息，伪装成浏览器的访问行为，需要用到Request方法：

3、方法Request原型

urllib2.Request(url[,
data][, headers][, origin_req_host][, unverifiable])

其中：

url表示目标网页地址，可以是字符串，也可以是请求对象Request

data表示post方式提交给目标服务器的参数

headers表示用户标识，是一个字典类型的数据，有些不允许脚本的抓取，所以需要用户代理，像火狐浏览器的代理就是类似：Mozilla/5.0 (X11; U; Linux i686)Gecko/20071127 Firefox/2.0.0.11 浏览器的标准UA格式为：浏览器标识 (操作系统标识; 加密等级标识; 浏览器语言) 渲染引擎标识 版本信息 ，headers默认是Python-urllib/2.6

origin_req_host表示请求方的主机域名或者ip地址

unverifiable还没搞懂。。。

看一个例子：

>>> headers = {'User-Agent':'Mozilla/5.0 (X11; U; Linux i686)Gecko/20071127 Firefox/2.0.0.11'}
>>> req = urllib2.Request(url="http://blog.csdn.net/deqingguo",headers=headers)
>>> socket = urllib2.urlopen(req)
>>> content = socket.read()
>>> socket.close()