爬虫学习——网页下载器和urllib2模块

什么是网页下载器？

一、网页下载器是爬虫的核心组件

 

二、常用的python网页下载器有urlilib2基础模块和requests第三方插件两种

urllib2支持功能：1.支持直接url下载；2.支持向网页直接输入的数据；3.支持需要登陆网页的cookie处理；4.需要代理访问的代理处理

 三、urllib2的三种下载方法

方法一.直接下载法

相应代码如下：

#-*-coding:utf-8-*-

#调用urllib2模块
import urllib2 

#直接请求
response=urllib2.urlopen("http://www.baidu.com")

#获取状态码，如果是200表示成功
print response.getcode()

#读取爬取得内容
print response.read()

方法2：添加data和http

data：即用户需要输入的数据

http-header：主要是为了提交http的头信息

将url、data、header三个参数传递给urllib2的Request类，生成一个request对象，接着再使用urllib2中的urlopen方法，以request作为参数发送网页请求

 

 

相应代码如下：

#coding=utf-8
import urllib2

#创建Request对象
request= urllib2.Request("所要爬取的url")

#添加数据a=1
request.add_data('a','1')

#添加http的header
request.add_header('User-Agent','Mozilla/5.0')

#发送请求获取结果
response= urllib2.urlopen(request)

print response.getcode()

print response.read()

  方法三、添加特殊情境的处理器

有些网页需要登录才能访问，需要添加cookie进行处理，这里使用HTTPCookieProcessor

需代理才能访问的使用：ProxyHandler

使用https加密协议的网页：HTTPSHandler

有的url相互自动的跳转关系：HTTPRedirectHandler

将这些handler传送给urllib2的build_opener(handler)方法来创建opener对象,在传送给install_opener(opener),之后urllib2就具有了这些场景的处理能力

代码如下：cookie增强处理

 #-*-coding:utf-8-*-

#引入urllib2和cookielib模块
import urllib2,cookielib

#创建cookie容器，来存储cookie的数据
cj=cookielib.CookieJar()

#创建一个opener，然后使用urllib2的HTTPCookieProcessor以cj的cookiejar作为参数生成一个handler，再将此handler传给build_opener方法生成一个opener对象
opener = urlib2.build_opener(urllib2.HTTPCookieProcessor(cj))

#然后给urllib2安装opener来增强他的处理器
urllib2.install_opener(opener)

#使用带有cookie的urllib2 访问网页,实现网页的爬取
response = urllib2.urlopen("http://www.baidu.com")