什么是爬虫
爬虫，也叫蜘蛛(Spider)，如果把互联网比喻成一个蜘蛛网，Spider就是一只在网上爬来爬去的蜘蛛。网络爬虫就是根据网页的地址来寻找网页的，也就是URL。举一个简单的例子，我们在浏览器的地址栏中输入的字符串就是URL，例如：https://www.baidu.com
URL就是同意资源定位符(Uniform Resource Locator)，它的一般格式如下(带方括号[]的为可选项)：
protocol :// hostname[:port] / path / [;parameters][?query]#fragment
URL的格式主要由三部分组成：
- protocol：第一部分就是协议，例如百度使用的就是https协议；
- hostname[:port]：第二部分就是主机名(还有端口号为可选参数)，一般网站默认的端口号为80，例如百度的主机名就是www.baidu.com，这个就是服务器的地址;
- path：第三部分就是主机资源的具体地址，如目录和文件名等。
爬虫就是根据URL来获取网页信息的。
Python3的urllib包
urllib包提供的模块可以用来使Python代码访问url。
从Python3官方的urllib包介绍可以知道，在Python3中的内置库中把Python2 的urllib、urllib2两个库整合成了urllib包。
在urllib包中只提供了4个模块：
- urllib.request：用来打开或者读取Urls
- urllib.error：包含urllib.request的异常信息
- urllib.parse：包含Urls需要的参数信息
- urllib.robotparser：配置robots.txt文件的相关功能
相对于Python 2中的变化
- 在Pytho2.x中使用
import urllib2 --->在Python3.x中会使用import urllib.request，urllib.error。 - 在Pytho2.x中使用
import urllib --->在Python3.x中会使用import urllib.request，urllib.error， - 在Pytho2.x中使用
import urlparse --->在Python3.x中会使用import urllib.parse。 - 在Pytho2.x中使用
import urlopen --->在Python3.x中会使用import urllib.request.urlopen。 - 在Pytho2.x中使用
import urlencode --->在Python3.x中会使用import urllib.parse.urlencode。 - 在Pytho2.x中使用
import urllib.quote --->对应的，在Python3.x中会使用import urllib.request.quote。 - 在Pytho2.x中使用
cookielib.CookieJar --->对应的，在Python3.x中会使用http.CookieJar。 - 在Pytho2.x中使用
urllib2.Request --->在Python3.x中会使用urllib.request.Request。
基本使用
urllib.request.urlopen()：访问一个URL，返回一个包含网页信息的对象
response.read()：获取返回对象的内容
response.getcode()：获取返回的HTTP Code
response.info()：获取返回的元数据信息，例如HTTP Header
response.geturl()：获取访问的url
# 使用Python访问博客园，获取网页信息 import urllib.request response = urllib.request.urlopen(‘http://www.cnblogs.com/dachenzi‘) data = response.read().decode(‘utf-8‘) print(data)
利用Python下载一个图片
import urllib.request
url = ‘http://img.lenovomm.com/s3/img/app/app-img-lestore/2370-2015-07-16035439-1437033279327.jpg?isCompress=true&width=320&height=480&quantity=1&rotate=true‘
response = urllib.request.urlopen(url)
data = response.read()
with open(‘img.jpg‘,‘wb‘) as f: # 图片输入二进制文件，所以只需要使用b模式打开写入即可
f.write(data)
注意：这里urlopen可以接受一个str，或者一个request对象
小练习
使用Python完成翻译小程序，输入中文返回英文信息，反正亦然。
# 1、使用浏览器访问，查看Network，确定提交数据访问的地址以及提交的data
定制HTTP header
HTTP Header，表示在浏览器在进行访问(HTTP请求)时携带的头部信息，什么叫定制HTTP请求头呢，举个栗子：其实每天活跃在网上的爬虫太多了，如果网站不进行限制的话，那么访问流量会很高，所以站点基本都会对爬虫进行基本的限制，而利用User-Agent (浏览器标示)是最常用的方式，使用浏览器和使用Python代码来访问站点时，浏览器标示时不同的。
本人的google浏览器是：Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36
python代码是：Python 3.6.3 ..
这里既然说定制，那么就是说可以对User-Agent等头部参数进行修改。
修改User-Agent
修改请求的User-Agent就需要先定制request对象了，然后把对象传给urlopen进行访问
import urllib.request
url = ‘http://img.lenovomm.com/s3/img/app/app-img-lestore/2370-2015-07-16035439-1437033279327.jpg?isCompress=true&width=320&height=480&quantity=1&rotate=true‘
head = {}
head[‘User-Agent‘] = ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36‘
request = urllib.request.Request(url,headers=head) # 创建Request对象，并设置headers
response = urllib.request.urlopen(request)
data = response.read()
with open(‘img.jpg‘,‘wb‘) as f:
f.write(data)
1 "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)", 2 "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)", 3 "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)", 4 "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)", 5 "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)", 6 "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)", 7 "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)", 8 "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)", 9 "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6", 10 "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1", 11 "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0", 12 "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5", 13 "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6", 14 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11", 15 "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20", 16 "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
添加heades的另一种方法
除了在代码中通过字典定义header以外，还可以使用request对象的add_header()方法，进行添加
import urllib.request
url = ‘http://img.lenovomm.com/s3/img/app/app-img-lestore/2370-2015-07-16035439-1437033279327.jpg?isCompress=true&width=320&height=480&quantity=1&rotate=true‘
# head = {}
# head[‘User-Agent‘] = ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36‘
request = urllib.request.Request(url) # 创建Request对象，并设置headers
request.add_header(‘User-Agent‘,‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36‘)
response = urllib.request.urlopen(request)
data = response.read()
with open(‘img.jpg‘,‘wb‘) as f:
f.write(data)
