1.分分鐘扒一個網頁下來
怎樣扒網頁呢？其實就是根據URL來擷取它的網頁資訊，雖然我們在浏覽器中看到的是一幅幅優美的畫面，但是其實是由浏覽器解釋才呈現出來的，實質它 是一段HTML代碼，加 JS、CSS，如果把網頁比作一個人，那麼HTML便是他的骨架，JS便是他的肌肉，CSS便是它的衣服。是以最重要的部分是存在于HTML中的，下面我 們就寫個例子來扒一個網頁下來。
Python
| 1 2 3 4 | #設定代理IP #代理IP可以上http://zhimaruanjian.com/擷取 import urllib2 response = urllib2.urlopen("http://www.baidu.com") print response.read() |
是的你沒看錯，真正的程式就兩行，把它儲存成 demo.py，進入該檔案的目錄，執行如下指令檢視運作結果，感受一下。
Python
| 1 | python demo.py |
看，這個網頁的源碼已經被我們扒下來了，是不是很酸爽？
2.分析扒網頁的方法
那麼我們來分析這兩行代碼，第一行
Python
| 1 | response = urllib2.urlopen("http://zhimaruanjian.com/") |
首先我們調用的是urllib2庫裡面的urlopen方法，傳入一個URL，這個網址是百度首頁，協定是HTTP協定，當然你也可以把HTTP換做FTP,FILE,HTTPS 等等，隻是代表了一種通路控制協定，urlopen一般接受三個參數，它的參數如下：
Python
| 1 | urlopen(url, data, timeout) |
第一個參數url即為URL，第二個參數data是通路URL時要傳送的資料，第三個timeout是設定逾時時間。
第二三個參數是可以不傳送的，data預設為空None，timeout預設為 socket._GLOBAL_DEFAULT_TIMEOUT
第一個參數URL是必須要傳送的，在這個例子裡面我們傳送了百度的URL，執行urlopen方法之後，傳回一個response對象，傳回資訊便儲存在這裡面。
Python
| 1 | print response.read() |
response對象有一個read方法，可以傳回擷取到的網頁内容。
如果不加read直接列印會是什麼？答案如下：
Python
| 1 | <addinfourl at 139728495260376 whose fp = <socket._fileobject object at 0x7f1513fb3ad0>> |
直接列印出了該對象的描述，是以記得一定要加read方法，否則它不出來内容可就不怪我咯！
3.構造Requset
其實上面的urlopen參數可以傳入一個request請求,它其實就是一個Request類的執行個體，構造時需要傳入Url,Data等等的内容。比如上面的兩行代碼，我們可以這麼改寫
Python
| 1 2 3 4 5 | import urllib2 request = urllib2.Request("http://zhimaruanjian.com/") response = urllib2.urlopen(request) print response.read() |
運作結果是完全一樣的，隻不過中間多了一個request對象，推薦大家這麼寫，因為在建構請求時還需要加入好多内容，通過建構一個request，伺服器響應請求得到應答，這樣顯得邏輯上清晰明确。
4.POST和GET資料傳送
上面的程式示範了最基本的網頁抓取，不過，現在大多數網站都是動态網頁，需要你動态地傳遞參數給它，它做出對應的響應。是以，在通路時，我們需要傳遞資料給它。最常見的情況是什麼？對了，就是登入注冊的時候呀。
把資料使用者名和密碼傳送到一個URL，然後你得到伺服器處理之後的響應，這個該怎麼辦？下面讓我來為小夥伴們揭曉吧！
資料傳送分為POST和GET兩種方式，兩種方式有什麼差別呢？
最重要的差別是GET方式是直接以連結形式通路，連結中包含了所有的參數，當然如果包含了密碼的話是一種不安全的選擇，不過你可以直覺地看到自己送出了什麼内容。POST則不會在網址上顯示所有的參數，不過如果你想直接檢視送出了什麼就不太友善了，大家可以酌情選擇。
POST方式：
上面我們說了data參數是幹嘛的？對了，它就是用在這裡的，我們傳送的資料就是這個參數data，下面示範一下POST方式。
Python
| 1 2 3 4 5 6 7 8 9 | import urllib import urllib2 values = {"username":"[email protected]","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() |
我們引入了urllib庫，現在我們模拟登陸CSDN，當然上述代碼可能登陸不進去，因為還要做一些設定頭部header的工作，或者還有一些參數 沒有設定全，還沒有提及到在此就不寫上去了，在此隻是說明登入的原理。我們需要定義一個字典，名字為values，參數我設定了username和 password，下面利用urllib的urlencode方法将字典編碼，命名為data，建構request時傳入兩個參數，url和data，運 行程式，即可實作登陸，傳回的便是登陸後呈現的頁面内容。當然你可以自己搭建一個伺服器來測試一下。
注意上面字典的定義方式還有一種，下面的寫法是等價的
Python
| 1 2 3 4 5 6 7 8 9 10 11 | import urllib import urllib2 values = {} values['username'] = "[email protected]" 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() |
以上方法便實作了POST方式的傳送
GET方式：
至于GET方式我們可以直接把參數寫到網址上面，直接建構一個帶參數的URL出來即可。
Python
| 1 2 3 4 5 6 7 8 9 10 11 12 | import urllib import urllib2 values={} values['username'] = "[email protected]" 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() |
你可以print geturl，列印輸出一下url，發現其實就是原來的url加？然後加編碼後的參數
Python
| 1 | http://passport.csdn.net/account/login?username=1016903103%40qq.com&password=XXXX |
和我們平常GET通路方式一模一樣，這樣就實作了資料的GET方式傳送。
本節講解了一些基本使用，可以抓取到一些基本的網頁資訊，小夥伴們加油！
轉載于:https://www.cnblogs.com/zhimaHTTP/p/7760690.html
![TestLink導出用例轉換工具(XML2Excel)[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)