标签：
1.分分钟爬一个网页下来
怎么爬网页呢？其实就是根据URL来获取它的网页信息，虽然我们在浏览器中看到的一幅幅优美的画面，但是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便是他的衣服。所以最重要部分是存在于HTML中的，下面我们就写个例子来扒一个网页下来。
import urllib2 response=urllib2.urlopen(‘https://www.baidu.com/‘) print response.read()
把它保存成case1.py，进入该文件的目录，执行命令
到这里我们可以看到，网页的源代码已经被我们扒下来了
2.分析扒网页的方法
我们来分析一下上面的代码，第一行
response = urllib2.urlopen(‘https://www.baidu.com/‘)
首先我们调用的是urllib2库里面的urlopen方法，传入一个URL，这个网址是百度首页，协议是https协议，当然你也可以把https换成ftp、file、http等，只是代表了一种访问控制权限，urlopen一般接受三个参数，它的参数如下：
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递的，data默认为空None，timeout默认为socket._GLOBAL_DEFAULT_TIMEOUT。
第一个参数URL是必须要传递的，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。
print response.read()
response对象有一个read方法，可以返回获取到的网页内容，然后用Print打印出来就可以看了。
3.构造Request
其实上面的urlopen参数可以传入一个request请求，它其实就是一个Request类的实例，构造时需要传入URL，data等等的内容。比如上面的两行代码，我们可以这么改写，
import urllib2 request=urllib2.Request(‘https://www.baidu.com/‘) response=urllib2.urlopen(request) print response.read()
运行结果是完全一样的，只不过中间多了一个request对象，推荐大家这么写，因为在构建请求时还需要加入好多内容，通过构建一个request，服务器响应请求得到应答，这样显得逻辑上清晰明确。
4.POST和GET数据传送
上面的程序演示了最基本的网页抓取，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。所以，在访问时，我们需要传递数据给它。最常见的情况是什么？对了，就是登录注册的时候呀。
把数据用户名和密码传送到一个URL，然后你得到服务器处理之后的响应，这个该怎么办？下面让我来为小伙伴们揭晓吧！
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则不会再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，大家可以酌情选择。
POST方式：
上面我们说了data参数是干嘛的？它就是用在这里的，我们传送的数据就是这个参数data，下面演示一下POST方式。
import urllib import urllib2 values = {‘username‘:‘1016903103@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()
我们引入了urllib库，现在我们模拟登陆CSDN，当然上述代码可能登陆不进去，因为还要做一些设置头部header的工作，或者还有一些参数没有设置全，还没有提及到在此就不写上去了，在此只是说明登录的原理。我们需要定义一个字典，名字为values，参数我设置了username和password，下面利用urllib的urlencode方法将字典编码，命名为data，构建request时传入两个参数，url和data，运行程序，即可实现登陆，返回的便是登陆后呈现的页面内容。当然你可以自己搭建一个服务器来测试一下。
注意上面字典的定义方式还有一种，下面的写法是等价的
import urllib import urllib2 values = {} values[‘username‘] = "1016903103@qq.com" values[‘password‘] = "XXXX" data = urllib.urlencode(values) url = "http://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn" request = urllib2.Request(url,data) response = urllib2.urlopen(request) print response.read()
以上方法便实现了POST方式的传送
GET方式：
至于GET方式我们可以直接把参数写到了网址上面，直接构建一个带参数的URL出来即可。
import urllib import urllib2 values={} values[‘username‘]=‘1016903103@qq.com‘ values[‘password‘]=‘XXXX‘ data = urllib.urlencode(values) url = ‘https://passport.csdn.net/account/login‘ geturl = url+‘?‘+data print geturl request = urllib2.Request(geturl) response = urllib2.urlopen(request) print response.read()
你可以print geturl，打印输出一下url，发现其实就是原来的url加？然后加编码后的参数
https://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX
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
标签：
原文地址：http://www.cnblogs.com/waitingintherain/p/5524526.html
