论坛徽章:: 0

电梯直达

1楼 [收藏(0)] [报告]

发表于 2012-03-07 21:45 |只看该作者 |倒序浏览

本帖最后由 Tinylamb 于 2012-03-08 09:02 编辑

keywords:

urllib2,BeautifulSoup,cookielib

复制代码

题外话:
小弟是编程爱好者，各位看官轻拍。
最近在使用urllib2抓取网页内容，在学习的过程中也查阅了不少资料,并从中收获很多。在查阅资料的过程中，我发现大部分资料都是建立在对urllib2的熟悉基础之上,程序的细节并未顾及到新手看到这份资料会产生怎样的困惑。在接下来的内容中，我会写到我碰到的疑问以及解决方法。如果你也碰到类似的困惑，希望给予你帮助。

一.urllib2简介
urllib2提供一个基础函数urlopen，通过向指定的URL发出请求来获取数据。最简单的形式就是

import urllib2
response=urllib2.urlopen('http://www.douban.com')
html=response.read()

复制代码

这个过程就是我们平时刷网页的代码表现形式，它基于请求-响应模型。

response=urllib2.urlopen('http://www.douban.com')

复制代码

实际上可以看作两个步骤:
我们指定一个域名并发送请求
1.

request=urllib2.request('http://www.douban.com')

复制代码

接着服务端响应来自客户端的请求
2.

response=urllib2.urlopen(request)

复制代码

也许你会注意到，我们平时除了刷网页的操作，还有向网页提交数据。这种提交数据的行为，urllib2会把它翻译为:

import urllib
import urllib2
url = 'http://www.douban.com'
info = {'name' : 'Michael Foord',
'location' : 'Northampton'}
data = urllib.urlencode(info) #info 需要被编码为urllib2能理解的格式，这里用到的是urllib
req = urllib2.Request(url, data)
response = urllib2.urlopen(req)
the_page = response.read()

复制代码

有时你会碰到，程序也对，但是服务器拒绝你的访问。这是为什么呢?问题出在请求中的头信息(header)。
有的服务端有洁癖，不喜欢程序来触摸它。这个时候你需要将你的程序伪装成浏览器来发出请求。请求的方式就包含在header中。
常见的情形:

import urllib
import urllib2
url = 'http://www.someserver.com/cgi-bin/register.cgi'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'# 将user_agent写入头信息
values = {'name' : 'Michael Foord',
'location' : 'Northampton',
'language' : 'Python' }
headers = { 'User-Agent' : user_agent }
data = urllib.urlencode(values)
req = urllib2.Request(url, data, headers)
response = urllib2.urlopen(req)
the_page = response.read()

复制代码

二.示例
模拟一个利用cookie登录人人网的过程

说明：
1.人人网的登录地址需要用BeautifulSoup来抓取。
2.个人信息存在info中。info是一个字典{'email':'xx','password':'xx'}.key的命名需要根据实际网页中定义，比如豆瓣的定义是{'form_email':'xx','form_password':'xx'}
3.使用cookie的好处在于，登录之后你可以使用cookie中保存的信息作为头信息的一部分，利用已经保存的头信息接着访问网站。

参考:
HOWTO Fetch Internet Resources Using urllib2
Beautiful Soup 中文文档
How to use Python to login to a webpage and retrieve cookies for later usage?