所謂網頁抓取，就是把URL地址中指定的網路資源從網路流中抓取出來。在Python中有很多庫可以用來抓取網頁，此篇介紹urllib2。

在 python3 中，urllib2 被改為urllib.request

urlopen
我們先來段程式碼：

# urllib2_urlopen.py

# 匯入urllib2 庫
import urllib2

# 向指定的url傳送請求，並返回伺服器響應的類檔案物件
response = urllib2.urlopen("http://www.baidu.com")

# 類檔案物件支援 檔案物件的操作方法，如read()方法讀取檔案全部內容，返回字串
html = response.read()

# 列印字串
print html
 

執行寫的python程式碼，將列印結果

[email protected] ~$: python urllib2_urlopen.py

實際上，如果我們在瀏覽器上開啟百度主頁， 右鍵選擇“檢視原始碼”，你會發現，跟我們剛才打印出來的是一模一樣。也就是說，上面的4行程式碼就已經幫我們把百度的首頁的全部程式碼爬了下來。

一個基本的url請求對應的python程式碼真的非常簡單。
Request
在我們第一個例子裡，urlopen()的引數就是一個url地址；

但是如果需要執行更復雜的操作，比如增加HTTP報頭，必須建立一個 Request 例項來作為urlopen()的引數；而需要訪問的url地址則作為 Request 例項的引數。

我們編輯urllib2_request.py

# urllib2_request.py

import urllib2

# url 作為Request()方法的引數，構造並返回一個Request物件
request = urllib2.Request("http://www.baidu.com")

# Request物件作為urlopen()方法的引數，傳送給伺服器並接收響應
response = urllib2.urlopen(request)

html = response.read()

print html

執行結果是完全一樣的：
新建Request例項，除了必須要有 url 引數之外，還可以設定另外兩個引數：

1. data（預設空）：提交的Form表單資料，同時 HTTP 請求方法將從預設的 "GET"方式 改為 "POST"方式。
2. headers（預設空）：引數為字典型別，包含了需要傳送的HTTP報頭的鍵值對。

User-Agent
但是這樣直接用urllib2給一個網站傳送請求的話，確實略有些唐突了，就好比，人家每家都有門，你以一個路人的身份直接闖進去顯然不是很禮貌。而且有一些站點不喜歡被程式（非人為訪問）訪問，有可能會拒絕你的訪問請求。

但是如果我們用一個合法的身份去請求別人網站，顯然人家就是歡迎的，所以我們就應該給我們的這個程式碼加上一個身份，就是所謂的User-Agent頭。

• 瀏覽器 就是網際網路世界上公認被允許的身份，如果我們希望我們的爬蟲程式更像一個真實使用者，那我們第一步就是需要偽裝成一個被瀏覽器。用不同的瀏覽器在傳送請求的時候，會有不同的 User-Agent 報頭。
• urllib2預設的User-Agent頭為：Python-urllib/x.y （x和y 是Python 主.次 版本號，例如 Python-urllib/2.7）

#urllib2_useragent.py

import urllib2

url = "http://www.itcast.cn"

# IE 9.0 的 User-Agent，包含在 user_agent裡
user_agent = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)"} 

#  url 連同 headers，一起構造Request請求，這個請求將附帶 IE9.0 瀏覽器的User-Agent
request = urllib2.Request(url, headers = user_agent)

# 向伺服器傳送這個請求
response = urllib2.urlopen(request)

html = response.read()
print html

新增更多的Header資訊
在 HTTP Request 中加入特定的 Header，來構造一個完整的HTTP請求訊息。
可以通過呼叫Request.add_header() 新增/修改一個特定的header 也可以通過呼叫Request.get_header()來檢視已有的header。

• 新增一個特定的header

# urllib2_headers.py

import urllib2

url = "http://www.itcast.cn"

#IE 9.0 的 User-Agent
user_agent = {"User-Agent" : "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Trident/5.0)"} 
request = urllib2.Request(url, headers = user_agent)

#也可以通過呼叫Request.add_header() 新增/修改一個特定的header
request.add_header("Connection", "keep-alive")

# 也可以通過呼叫Request.get_header()來檢視header資訊
# request.get_header(header_name="Connection")

response = urllib2.urlopen(request)

print response.code     #可以檢視響應狀態碼
html = response.read()

print html

• 隨機新增/修改User-Agent

# urllib2_add_headers.py

import urllib2
import random

url = "http://www.itcast.cn"

ua_list = [
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
    "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
    "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6"
]

user_agent = random.choice(ua_list)

request = urllib2.Request(url)

#也可以通過呼叫Request.add_header() 新增/修改一個特定的header
request.add_header("User-Agent", user_agent)

# get_header()的字串引數，第一個字母大寫，後面的全部小寫
request.get_header("User-agent")

response = urllib2.urlopen(request)

html = response.read()
print html