要学好爬虫，当然要先从最基本的开始学，学习她的“套路”，其实以后的东西，都和这个套路差不多，明白套路，实际上手练几个爬虫，多多少少可以应付一些网站的爬取！

首先入门应该从urllib开始学起，虽然到后面我们都不怎么去用，可能是效率偏低，但确是入门的好材料！

一、urllib的基本用法

1、用urllib去爬取一个网页

一般的网页上的信息要怎样抓取呢！本质就是根据URL去获取它的网页信息。我们我们在浏览器中看到的是一幅幅优美的画面，其实是由浏览器解释才呈现出来的，实质它是一段HTML代码，加 JS、CSS，如果把网页比作一个人，那么HTML便是他的骨架，JS便是他的肌肉，CSS便是它的衣服。所以最重要的部分是存在于HTML中的，下面我们就写个例子来扒一个网页下来。

1
2
3

import urllib2
response = urllib2.urlopen("http://www.baidu.com")
print response.read()

是的你没看错，真正的程序就两行，把它保存成 demo.py，进入该文件的目录，执行如下命令查看运行结果:

1	python demo.py

这里我们可以看到网页都被扒下来了，这里的pyhton版本是python2.7,3以上的教程也有了，可以去搜搜看。
！baidujietu
看吧，这些输出的东西就是我们刚刚爬取下来的东西！

2、我们来分析分析

首先第一行：

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

urlopen是urllib2库里面的方法，传入一个URL，这个网址是百度，首页协议是HTTP协议，当然你也可以把HTTP换做FTP,FILE,HTTPS 等等，只是代表了一种访问控制协议，urlopen一般接受三个参数，它的参数如下：

1	urlopen(url, data, timeout)

第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。第二三个参数是可以不传送的，data默认为空None，timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT,第一个参数URL是必须要传送的，在这个例子里面我们传送了百度的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。

1	print response.read()

这时候我们就可以看到返回的就是这个网站的实体！这里注意一定要打read()哦，不然只会打出一串字符串！

3、用Request

import urllib2

request = urllib2.Request("http://www.baidu.com")
response = urllib2.urlopen(request)
print response.read()

这里我们可以用类似java的封装思想去弄，这样就逻辑比较清晰，推荐大家这么写，打出来的结果还是一样的

4、数据传送两种方式：POST和GET

以上的基本方式实现的是少数基本网页的抓取，不过现在大多数网站都是动态网页，需要你动态地传递参数给它，它做出对应的响应，例如是登录注册的时候！
数据传送分为POST和GET两种方式，两种方式有什么区别呢？
最重要的区别是GET方式是直接以链接形式访问，链接中包含了所有的参数，当然如果包含了密码的话是一种不安全的选择，不过你可以直观地看到自己提交了什么内容。POST则不会在网址上显示所有的参数，不过如果你想直接查看提交了什么就不太方便了。（例如有些网站用的get,那么你就可以看到你提交了一些什么样的参数）

(1)用post方法去实现网页登陆：

import urllib
import urllib2
values = {"username":"******@qq.com","password":"XXXX"}
data = urllib.urlencode(values)
url = "https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn"
request = urllib2.Request(url,data)
response = urllib2.urlopen(request)
print response.read()

就是说在这传递的data 参数是username和password,不过记得要编码！这里是隐式的一个传送，是可以不再页面中显示出来的

(2)GET方式：

至于GET方式我们可以直接把参数写到网址上面，直接构建一个带参数的URL出来即可。

import urllib2

values={}
values['username'] = "1016903103@qq.com"
values['password']="XXXX"
data = urllib.urlencode(values)
url = "http://passport.csdn.net/account/login"
geturl = url + "?"+data
request = urllib2.Request(geturl)
response = urllib2.urlopen(request)
print response.read()

例如这样，他把这些数据加到了url后面，然后用？去分割！和我们平常GET访问方式一模一样，这样就实现了数据的GET方式传送

二、urllib的一些高级用法

1、设置Headers

如果程序直接用上面的方式进行访问，有些网站不会同意，如果识别有问题，那么站点根本不会响应，所以为了完全模拟浏览器的工作，我们需要设置一些Headers 的属性。
我们来看看知乎的例子吧：
知乎页面分析
右键检查，network，选中，就可以看到这些信息！这些内容也不是一次性就加载完成的，实质上是执行了好多次请求，一般是首先请求HTML文件，然后加载JS，CSS 等等，经过多次请求之后，网页的骨架和肌肉全了，整个网页的效果也就出来了。
我们看看这些请求，有个Request URL，还有headers，下面便是response，agent就是请求的身份，如果没有写入请求身份，那么服务器不一定会响应，所以可以在headers中设置agent,例如下面的例子，这个例子只是说明了怎样设置的headers，了解一下设置格式就好。

import urllib  
import urllib2  

url = 'http://www.server.com/login'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'  
values = {'username' : 'cqc',  'password' : 'XXXX' }  
headers = { 'User-Agent' : user_agent }  
data = urllib.urlencode(values)  
request = urllib2.Request(url, data, headers)  
response = urllib2.urlopen(request)  
page = response.read()

这样，我们设置了一个headers，在headers中去设置agent,在构建request时传入，在请求时，就加入了headers传送，这样就会假装是浏览器去访问。
另外，我们还有对付”反盗链”的方式，对付防盗链，服务器会识别headers中的referer是不是它自己，如果不是，有的服务器不会响应，所以我们还可以在headers中加入referer，例如我们可以构建下面的headers

1 2	headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' , 'Referer':'http://www.zhihu.com/articles' }

2、 Proxy（代理）的设置

假如一个网站它会检测某一段时间某个IP 的访问次数，如果访问次数过多，它会禁止你的访问。所以你可以设置一些代理服务器来帮助你做工作，每隔一段时间换一个代理，网站不知道是谁在访问，这样就会认为是正常访问！上上篇有篇博客就有讲这个ip代理问题！
面一段代码说明了代理的设置用法：

import urllib2
enable_proxy = True
proxy_handler = urllib2.ProxyHandler({"http" : 'http://some-proxy.com:8080'})
null_proxy_handler = urllib2.ProxyHandler({})
if enable_proxy:
    opener = urllib2.build_opener(proxy_handler)
else:
    opener = urllib2.build_opener(null_proxy_handler)
urllib2.install_opener(opener)

3、Timeout 设置

为了解决一些网站实在响应过慢而造成的影响。通过设置urlopen方法，第三个参数就是timeout的设置
例如：

1 2	import urllib2 response = urllib2.urlopen('http://www.baidu.com', timeout=10)

4、使用 HTTP 的 PUT 和 DELETE 方法

http协议有六种请求方法，get,head,put,delete,post,options，下面讲讲put和post区别
PUT：这个方法比较少见。HTML表单也不支持这个。本质上来讲， PUT和POST极为相似，都是向服务器发送数据，但它们之间有一个重要区别，PUT通常指定了资源的存放位置，而POST则没有，POST的数据存放位置由服务器自己决定。
DELETE：删除某一个资源。基本上这个也很少见，不过还是有一些地方比如amazon的S3云服务里面就用的这个方法来删除资源。

5.使用DebugLog

可以通过下面的方法把 Debug Log 打开，这样收发包的内容就会在屏幕上打印出来，方便调试!

import urllib2
httpHandler = urllib2.HTTPHandler(debuglevel=1)
httpsHandler = urllib2.HTTPSHandler(debuglevel=1)
opener = urllib2.build_opener(httpHandler, httpsHandler)
urllib2.install_opener(opener)
response = urllib2.urlopen('http://www.baidu.com')

基本就这么多了，下面还有cookie使用和正则，慢慢学习吧！

多走路，多思考，越努力，越幸运！
———————————————YoungerFary

一路过来，不过游牧自己。。

爬虫系列（二）