6.1 最简单的爬虫

网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。python的urlliburllib2等模块很容易实现这一功能，下面的例子实现的是对baidu首页的下载。具体代码如下：

复制代码 代码如下:

import urllib2

page=urllib2.urlopen("http://www.baidu.com")

print page.read()

6.2 提交表单数据

(1)用GET方法提交数据

提交表单的GET方法是把表单数据编码至URL。在给出请示的页面后，加上问号，接着是表单的元素。如在百度中搜索“马伊琍”得到url为http://www.baidu.com/s?wd=%E9%A9%AC%E4%BC%8A%E7%90%8D&pn=100&rn=20&ie=utf-8&usm=4&rsv_page=1。其中？后面为表单元素。wd=%E9%A9%AC%E4%BC%8A%E7%90%8D表示搜索的词是“马伊琍”，pn表示从第100条信息所在页开始显示（感觉是这样，我试了几次，当写100时，从其所在页显示，但如果写10，就是从第1页显示），rn=20表示每页显示20条，ie=utf-8表示编码格式，usm=4没明白是什么意思，换了1、2、3试了下，没发现什么变化，rsv_page=1表示第几页。如果要下载以上页面比较简单的方法是直接用上面的网址进行提取。如代码：

复制代码 代码如下:

import urllib2

keyword=urllib.quote('马伊琍')

page=urllib2.urlopen("http://www.baidu.com/s?wd="+keyword+"&pn=100&rn=20&ie=utf-8&usm=4&rsv_page=1")

print page.read()

(2)用post方法提交

GET方法中，数据是被加到URL上，这种方法数据量要求不大，如果需要交换大量数据的时间，POST方法是一个很好的方法。这里以前段时间写的博客《python模拟163登陆获取邮件列表》为例，具体代码不在列出，详见地址：http://www.cnblogs.com/xiaowuyi/archive/2012/05/21/2511428.html。

6.3 urllib,urllib2,httplib，mechanize的介绍

6.3.1urllib模块(引自：http://my.oschina.net/duhaizhang/blog/68893)

urllib模块提供接口可以使我们像访问本地文件一样来读取www和ftp上的数据。模块中最重要的两个函数分别是：urlopen()和urlretrieve()。

urllib.urlopen(url[, data[, proxies]]) :

本函数创建一个表示远程url的类文件对象，然后像本地文件一样操作这个类文件对象来获取远程数据。参数url表示远程数据的路径，一般是网址；参数data表示以post方式提交到url的数据；参数proxies用于设置代理。urlopen返回 一个类文件对象，返回的类文件对象提供了如下方法：

read(), readline(), readlines(), fileno(), close()：这些方法的使用方式与文件对象完全一样;

info()：返回一个httplib.HTTPMessage对象，表示远程服务器返回的头信息；

getcode()：返回Http状态码。如果是http请求，200表示请求成功完成;404表示网址未找到；

geturl()：返回请求的url；

复制代码 代码如下:

#! /usr/bin/env python

#coding=utf-8

import urllib

content=urllib.urlopen("http://www.baidu.com")

print "http header:",content.info()

print "http status:",content.getcode()

print "url:",content.geturl()

print "content:"

for line in content.readlines():

print line

urllib.urlretrieve(url[, filename[, reporthook[, data]]])：

urlretrieve方法直接将远程数据下载到本地。参数filename指定了保存到本地的路径（如果未指定该参数，urllib会生成一个临时文件来保存数据）；参数reporthook是一个 回调函数，当连接上服务器、以及相应的数据 块传输完毕的时候会触发该回调（即每下载一块就调用一次回调函数）。我们可以利用这个回调函 数来显示当前的下载进度，也可以用于限速，下面的例子会展示。参数data指post到服务器的数据。该方法返回一个包含两个元素的元组(filename, headers)，filename表示保存到本地的路径， header表示服务器的响应头。

复制代码 代码如下:

#! /usr/bin/env python

# coding: utf-8

"""下载文件，并显示下载进度"""

import urllib

def DownCall(count,size,total_filesize):

"""count为已下载数据块个数，size为数据块的大小，total_filesize为文件总大小"""

per=100.0*count*size/total_filesize

if per>100:

per=100

print "Already download %d KB(%.2f" %(count*size/1024,per)+"%)"

url="http://www.research.rutgers.edu/~rohanf/LP.pdf"

localfilepath=r"C:UsersAdministratorDesktopdownload.pdf"

urllib.urlretrieve(url,localfilepath,DownCall)

urllib中还提供了一些辅助方法，用于对url进行编码、解码。url中是不能出现一些特殊的符号的，有些符号有特殊的用途。我们知道以get方式提交数据的时候，会在url中添加key=value这样的字符串，所以在value中是不允许有'='，因此要对其进行编码；与此同时服务器接收到这些参数的时候，要进行解码，还原成原始的数据。这个时候，这些辅助方法会很有用：

urllib.quote(string[, safe])：对字符串进行编码。参数safe指定了不需要编码的字符;

urllib.unquote(string) ：对字符串进行解码；

urllib.quote_plus(string[, safe]) ：与urllib.quote类似，但这个方法用'+'来替换' '，而quote用'%20'来代替' '

urllib.unquote_plus(string) ：对字符串进行解码；

urllib.urlencode(query[, doseq])：将dict或者包含两个元素的元组列表转换成url参数。例如 字典{'name': 'dark-bull', 'age': 200}将被转换为"name=dark-bull&age=200"

urllib.pathname2url(path)：将本地路径转换成url路径；

urllib.url2pathname(path)：将url路径转换成本地路径；

6.3.2 urllib2模块(引自：http://hankjin.blog.163.com/blog/static/3373193720105140583594/)

使用Python访问网页主要有三种方式： urllib, urllib2, httplib

urllib比较简单，功能相对也比较弱，httplib简单强大，但好像不支持session

（1）最简单的页面访问

res=urllib2.urlopen(url)

print res.read()

（2）加上要get或post的数据

data={"name":"hank", "passwd":"hjz"}

urllib2.urlopen(url, urllib.urlencode(data))

（3）加上http头

header={"User-Agent": "Mozilla-Firefox5.0"}

urllib2.urlopen(url, urllib.urlencode(data), header)

使用opener和handler

opener = urllib2.build_opener(handler)

urllib2.install_opener(opener)

（4）加上session

cj = cookielib.CookieJar()

cjhandler=urllib2.HTTPCookieProcessor(cj)

opener = urllib2.build_opener(cjhandler)

urllib2.install_opener(opener)

（5）加上Basic认证

password_mgr = urllib2.HTTPPasswordMgrWithDefaultRealm()

top_level_url = "http://www.163.com/"

password_mgr.add_password(None, top_level_url, username, password)

handler = urllib2.HTTPBasicAuthHandler(password_mgr)

opener = urllib2.build_opener(handler)

urllib2.install_opener(opener)

（6） 使用代理

proxy_support = urllib2.ProxyHandler({"http":"http://1.2.3.4:3128/"})

opener = urllib2.build_opener(proxy_support)

urllib2.install_opener(opener)

（7） 设置超时

socket.setdefaulttimeout(5)

6.3.3 httplib模块（引自：http://hi.baidu.com/avengert/item/be5daec8517b12ddee183b81）

httplib 是 python中http 协议的客户端实现，可以使用该模块来与 HTTP 服务器进行交互。httplib的内容不是很多，也比较简单。以下是一个非常简单的例子，使用httplib获取google首页的html：

复制代码 代码如下:

#coding=gbk

import httplib

conn = httplib.HTTPConnection("www.google.cn")

conn.request('get', '/')

print conn.getresponse().read()

conn.close()

下面详细介绍httplib提供的常用类型和方法。

httplib.HTTPConnection ( host [ , port [ , strict [ , timeout ]]] )

HTTPConnection类的构造函数，表示一次与服务器之间的交互，即请求/响应。参数host表示服务器主机，如：www.csdn.net；port为端口号，默认值为80； 参数strict的 默认值为false， 表示在无法解析服务器返回的状态行时( status line) （比较典型的状态行如： HTTP/1.0 200 OK ），是否抛BadStatusLine 异常；可选参数timeout 表示超时时间。

HTTPConnection提供的方法：

HTTPConnection.request ( method , url [ , body [ , headers ]] )

调用request 方法会向服务器发送一次请求，method 表示请求的方法，常用有方法有get 和post ；url 表示请求的资源的url ；body 表示提交到服务器的数据，必须是字符串（如果method 是"post" ，则可以把body 理解为html 表单中的数据）；headers 表示请求的http 头。

HTTPConnection.getresponse ()

获取Http 响应。返回的对象是HTTPResponse 的实例，关于HTTPResponse 在下面 会讲解。

HTTPConnection.connect ()

连接到Http 服务器。

HTTPConnection.close ()

关闭与服务器的连接。

HTTPConnection.set_debuglevel ( level )

设置高度的级别。参数level 的默认值为0 ，表示不输出任何调试信息。

httplib.HTTPResponse

HTTPResponse表示服务器对客户端请求的响应。往往通过调用HTTPConnection.getresponse()来创建，它有如下方法和属性：

HTTPResponse.read([amt])

获取响应的消息体。如果请求的是一个普通的网页，那么该方法返回的是页面的html。可选参数amt表示从响应流中读取指定字节的数据。

HTTPResponse.getheader(name[, default])

获取响应头。Name表示头域(header field)名，可选参数default在头域名不存在的情况下作为默认值返回。

HTTPResponse.getheaders()

以列表的形式返回所有的头信息。

HTTPResponse.msg

获取所有的响应头信息。

HTTPResponse.version

获取服务器所使用的http协议版本。11表示http/1.1；10表示http/1.0。

HTTPResponse.status

获取响应的状态码。如：200表示请求成功。

HTTPResponse.reason

返回服务器处理请求的结果说明。一般为”OK”

下面通过一个例子来熟悉HTTPResponse中的方法：

复制代码 代码如下:

#coding=gbk

import httplib

conn = httplib.HTTPConnection("www.g.cn", 80, False)

conn.request('get', '/', headers = {"Host": "www.google.cn",

"User-Agent": "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1) Gecko/20090624 Firefox/3.5",

"Accept": "text/plain"})

res = conn.getresponse()

print 'version:', res.version

print 'reason:', res.reason

print 'status:', res.status

print 'msg:', res.msg

print 'headers:', res.getheaders()

#html

#print 'n' + '-' * 50 + 'n'

#print res.read()

conn.close()

Httplib模块中还定义了许多常量，如：

Httplib. HTTP_PORT 的值为80，表示默认的端口号为80；

Httplib.OK 的值为200，表示请求成功返回；

Httplib. NOT_FOUND 的值为40表示请求的资源不存在；

可以通过httplib.responses 查询相关变量的含义，如：

Print httplib.responses[httplib.NOT_FOUND]

6.3.4 mechanize

mechanize没有找到比较完整的介绍，自己写了一个简单的例子如下。

复制代码 代码如下:

# -*- coding: cp936 -*-

import time,string

import mechanize,urllib

from mechanize import Browser

urlname=urllib.quote('马伊琍')

br=Browser()

br.set_handle_robots(False) ##ignore the robots.txt

urlhttp=r'http://www.baidu.com/s?'+urlname+"&pn=10&rn=20&ie=utf-8&usm=4&rsv_page=1"

response=br.open(urlhttp)

filename='temp.html'

f=open(filename,'w')

f.write(response.read())

f.close()