本篇文章給大家分享的是有關(guān)Python爬蟲(chóng)urllib模塊是什么，小編覺(jué)得挺實(shí)用的，因此分享給大家學(xué)習(xí)，希望大家閱讀完這篇文章后可以有所收獲，話不多說(shuō)，跟著小編一起來(lái)看看吧。

創(chuàng)新互聯(lián)公司堅(jiān)持“要么做到，要么別承諾”的工作理念，服務(wù)領(lǐng)域包括：成都網(wǎng)站設(shè)計(jì)、做網(wǎng)站、企業(yè)官網(wǎng)、英文網(wǎng)站、手機(jī)端網(wǎng)站、網(wǎng)站推廣等服務(wù)，滿足客戶于互聯(lián)網(wǎng)時(shí)代的魚(yú)峰網(wǎng)站設(shè)計(jì)、移動(dòng)媒體設(shè)計(jì)的需求，幫助企業(yè)找到有效的互聯(lián)網(wǎng)解決方案。努力成為您成熟可靠的網(wǎng)絡(luò)建設(shè)合作伙伴！

在 Python 中有很多庫(kù)可以用來(lái)抓取網(wǎng)頁(yè)，其中內(nèi)置了 urllib 模塊，該模塊就能實(shí)現(xiàn)我們基本的網(wǎng)頁(yè)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(lái)實(shí)現(xiàn)一個(gè) demo。

在 Python2.x 中內(nèi)置了 urllib 模塊，但是 Python 創(chuàng)始人 Guido van Rossum 覺(jué)得其太臃腫了，于是又寫(xiě)了一個(gè) 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(chuàng)建，設(shè)置headers的request類實(shí)例；

（2）但是urllib提供urlencode()方法用來(lái)GET查詢字符串的產(chǎn)生，而urllib2則沒(méi)有（這是urllib和urllib2經(jīng)常一起使用的主要原因）

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

我們就使用 urllib2 來(lái)實(shí)現(xiàn)一個(gè)簡(jiǎn)單的爬蟲(chóng)：

# 導(dǎo)入urllib2 庫(kù)
import urllib2
 
# 向指定的url發(fā)送請(qǐng)求，并返回服務(wù)器響應(yīng)的類文件對(duì)象
response = urllib2.urlopen("http://www.baidu.com")
# 類文件對(duì)象支持 文件對(duì)象的操作方法，如read()方法讀取文件全部?jī)?nèi)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(shí)就相當(dāng)于模擬了查看百度首頁(yè)，然后獲取百度首頁(yè)的 html 內(nèi)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(shí)現(xiàn)上面的代碼如下：

# 導(dǎo)入urllib 庫(kù)
import urllib.request 
# 向指定的url發(fā)送請(qǐng)求，并返回服務(wù)器響應(yīng)的類文件對(duì)象
response = urllib.request.urlopen("http://www.baidu.com")
# 類文件對(duì)象支持 文件對(duì)象的操作方法，如read()方法讀取文件全部?jī)?nèi)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(jié)果如下，內(nèi)容太長(zhǎng)就截一小段：

歷史的車輪滾滾而來(lái)，雖然大部分 Python 使用者還在使用 Python2.x，但 Python3.x 肯定有其之長(zhǎng)才被發(fā)布的，本人作為小白，就選取 Python3.x 學(xué)習(xí)吧。

在我們上面的例子中，urlopen()的參數(shù)就是一個(gè)url地址；

但是如果需要執(zhí)行更復(fù)雜的操作，比如增加HTTP報(bào)頭，必須創(chuàng)建一個(gè) Request 實(shí)例來(lái)作為urlopen()的參數(shù)；而需要訪問(wèn)的url地址則作為 Request 實(shí)例的參數(shù)。

# 導(dǎo)入urllib 庫(kù)
import urllib.request
 
# url 作為Request()方法的參數(shù)，構(gòu)造并返回一個(gè)Request對(duì)象
request = urllib.request.Request("http://www.baidu.com")
# Request對(duì)象作為urlopen()方法的參數(shù)，發(fā)送給服務(wù)器并接收響應(yīng)
response = urllib.request.urlopen(request)
# 類文件對(duì)象支持 文件對(duì)象的操作方法，如read()方法讀取文件全部?jī)?nèi)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(jié)果一致。

新建Request實(shí)例，除了必須要有 url 參數(shù)之外，還可以設(shè)置另外兩個(gè)參數(shù)：

data（默認(rèn)空）：是伴隨 url 提交的數(shù)據(jù)（比如要post的數(shù)據(jù)），同時(shí) HTTP 請(qǐng)求將從 "GET"方式 改為 "POST"方式。

headers（默認(rèn)空）：是一個(gè)字典，包含了需要發(fā)送的HTTP報(bào)頭的鍵值對(duì)。

這兩個(gè)參數(shù)下面會(huì)說(shuō)到。

但是這樣直接用 urllib 給一個(gè)網(wǎng)站發(fā)送請(qǐng)求的話，確實(shí)略有些唐突了，就好比，人家每家都有門(mén)，你以一個(gè)路人的身份直接闖進(jìn)去顯然不是很禮貌。而且有一些站點(diǎn)不喜歡被程序（非人為訪問(wèn)）訪問(wèn)，有可能會(huì)拒絕你的訪問(wèn)請(qǐng)求。

但是如果我們用一個(gè)合法的身份去請(qǐng)求別人網(wǎng)站，顯然人家就是歡迎的，所以我們就應(yīng)該給我們的這個(gè)代碼加上一個(gè)身份，就是所謂的User-Agent頭。

瀏覽器 就是互聯(lián)網(wǎng)世界上公認(rèn)被允許的身份，如果我們希望我們的爬蟲(chóng)程序更像一個(gè)真實(shí)用戶，那我們第一步，就是需要偽裝成一個(gè)被公認(rèn)的瀏覽器。用不同的瀏覽器在發(fā)送請(qǐng)求的時(shí)候，會(huì)有不同的User-Agent頭。

現(xiàn)在我們就來(lái)加一個(gè) User-Agent 的報(bào)頭。

當(dāng)我們打開(kāi) https://www.baidu.com/，我們?cè)陂_(kāi)發(fā)者工具的 Network 下，我們會(huì)找到一個(gè) 

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(dāng)然還有 Accept，Host，Cookie 等信息。

# 導(dǎo)入urllib 庫(kù)
import urllib.request
import ssl
 
# 取消代理驗(yàn)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(shù)，構(gòu)造并返回一個(gè)Request對(duì)象
request = urllib.request.Request("http://www.baidu.com",headers=headers)
# Request對(duì)象作為urlopen()方法的參數(shù)，發(fā)送給服務(wù)器并接收響應(yīng)
response = urllib.request.urlopen(request)
# 類文件對(duì)象支持 文件對(duì)象的操作方法，如read()方法讀取文件全部?jī)?nèi)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(xiàn)在百度使用的是 https 協(xié)議，進(jìn)入頁(yè)面需要代理驗(yàn)證，為了不必要的麻煩，我們干脆取消代理驗(yàn)證，所以用到了 ssl 模塊。

然后我們定義了一個(gè) headers 的變量，即響應(yīng)頭信息，然后我們?cè)?Request 的第二個(gè)形參中將 headers=headers，這樣我們?cè)谡?qǐng)求 https://www.baidu.com/，就相當(dāng)于我們手動(dòng)在瀏覽器輸入 url 鏈接是一樣的效果。

以上就是Python爬蟲(chóng)urllib模塊是什么，小編相信有部分知識(shí)點(diǎn)可能是我們?nèi)粘９ぷ鲿?huì)見(jiàn)到或用到的。希望你能通過(guò)這篇文章學(xué)到更多知識(shí)。更多詳情敬請(qǐng)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。