一. 前言

所謂網頁抓取，就是把URL地址中指定的網絡資源從網絡流中讀取出來，保存到本地。 在Python中有很多庫可以用來抓取網頁，我們先學習urllib。

二. urlopen

我們先來段代碼：

# 導入urllib.request 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()# 打印字符串
print ('---------------------')
print (html)
print ('---------------------')

執行寫的python代碼，顯示打印結果。

實際上，如果我們在瀏覽器上打開百度主頁， 右鍵選擇“查看源代碼”，你會發現，跟我們剛才打印出來的是一模一樣。也就是說，上面的4行代碼就已經幫我們把百度的首頁的全部代碼爬了下來。

一個基本的url請求對應的python代碼真的非常簡單。

三. Request

在我們第一個例子里，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。

# urllib_request.pyimport 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)html = response.read().decode()print (html)

運行結果是完全一樣的：

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。

四. User-Agent

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。 urllib默認的User-Agent頭為：Python-urllib/x.y（x和y是Python主版本和次版本號,例如 Python-urllib/2.7）

import urllib.requesturl = "http://www.itcast.cn"#IE 9.0 的 User-Agent，包含在 ua_header里
ua_header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}#  url 連同 headers，一起構造Request請求，這個請求將附帶 IE9.0 瀏覽器的User-Agent
request = urllib.request.Request(url, headers = ua_header)# 向服務器發送這個請求
response = urllib.request.urlopen(request)html = response.read()
print (html)

五. 添加更多的Header信息

在 HTTP Request 中加入特定的 Header，來構造一個完整的HTTP請求消息。

可以通過調用Request.add_header() 添加/修改一個特定的header，也可以通過調用Request.get_header()來查看已有的header。

1. 添加一個特定的header

import urllib.requesturl = "http://www.itcast.cn"#IE 9.0 的 User-Agent
header = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0;"}
request = urllib.request.Request(url, headers = header)#也可以通過調用Request.add_header() 添加/修改一個特定的header
request.add_header("Connection", "keep-alive")# 也可以通過調用Request.get_header()來查看header信息
# request.get_header(header_name="Connection")response = urllib.request.urlopen(request)print (response.code) #可以查看響應狀態碼
html = response.read().decode()print (html)

2. 隨機添加/修改User-Agent

import urllib
import randomurl = "http://www.itcast.cn"ua_list = ["Mozilla/5.0 (Windows NT 6.1; ) Apple.... ","Mozilla/5.0 (X11; CrOS i686 2268.111.0)... ","Mozilla/5.0 (Macintosh; U; PPC Mac OS X.... ","Mozilla/5.0 (Macintosh; Intel Mac OS... "
]user_agent = random.choice(ua_list)request = urllib.request.Request(url)#也可以通過調用Request.add_header() 添加/修改一個特定的header
request.add_header("User-Agent", user_agent)# get_header()的字符串參數，第一個字母大寫，后面的全部小寫
request.get_header("User-agent")response = urllib.request.urlopen(requestr)html = response.read()
print (html)