python 爬虫 urllib模块介绍

一.urllib库

　　概念：urllib是Python自带的一个用于爬虫的库，其主要作用就是可以通过代码模拟浏览器发送请求。其常被用到的子模块在Python3中的为urllib.request和urllib.parse，在Python2中是urllib和urllib2。

使用流程：

• 指定url
• 针对指定的url发起请求 (基于urllib的request子模块发起请求)
• 获取服务器响应回来的页面数据
• 持久化存储 (可以把页面数据存到数据库，或者存到本地磁盘)

1.第一个简单的爬虫程序：爬取搜狗首页的页面数据

import urllib.request

# 1.指定url
url = 'https://www.sogou.com/'

'''
2.发起请求:使用urlopen函数对指定的url发起请求，
该函数返回一个响应对象，urlopen代表打开url
'''
response = urllib.request.urlopen(url=url)

# 3.获取响应对象中的页面数据:read函数可以获取响应对象中存储的页面数据(byte类型的数据值)
page_text = response.read()

# 4.持久化存储：将爬取的页面数据写入文件进行保存
with open("sougou.html","wb") as f:
    f.write(page_text)
    print("写入数据成功")
    f.close()

生成一个html文件，把爬取数据写入到文件里

urlib模块urlopn方法说明：

urlopen函数原型：
    urllib.request.urlopen(url, data=None, timeout=<object object at 0x10af327d0>, *, cafile=None, capath=None, cadefault=False, context=None)

在上述案例中我们只使用了该函数中的第一个参数url。在日常开发中，我们能用的只有url和data这两个参数。

url参数：指定向哪个url发起请求
data参数：可以将post请求中携带的参数封装成字典的形式传递给该参数（暂时不需要理解，后期会讲）

urlopen函数返回的响应对象，相关函数调用介绍：
response.headers()：获取响应头信息
response.getcode()：获取响应状态码
response.geturl()：获取请求的url
response.read()：获取响应中的数据值（字节类型）

2.二进制数据的爬取：爬取网络上的某张图片数据，且存储到文件

import urllib.request

# 1.指定url
url = 'https://pic.qiushibaike.com/system/pictures/12112/121121212/medium/ZOAND29U4NKNEWEF.jpg'

'''
2.发起请求:使用urlopen函数对指定的url发起请求，
该函数返回一个响应对象，urlopen代表打开url
'''
response = urllib.request.urlopen(url=url)
# 3.获取响应对象中的图片二进制类型的数据
img_data = response.read()
# 4.持久化存储：将爬取的图片写入本地进行保存
with open('./tupian.png','wb') as fp:
    fp.write(img_data)
    fp.close()

生成图片文件