php 爬虫抓取网页数据(Python內建使用urllib.request获取网页urllib是什么意思？)

　　php 爬虫抓取网页数据(Python內建使用urllib.request获取网页urllib是什么意思？)

　　1. 使用 urllib.request 获取网页

　　urllib 是 Python 中的内置 HTTP 库。使用 urllib，您可以通过非常简单的步骤高效地使用 采集 数据；配合Beautiful等HTML解析库，可以为采集网络数据编写大型爬虫；

　　注：示例代码采用Python3编写；urllib 是 Python2 中 urllib 和 urllib2 的组合，Python2 中的 urllib2 对应于 Python3 中的 urllib.request

　　简单的例子：

　　2. 伪造请求头信息

　　有时爬虫发起的请求会被服务器拒绝。这时，爬虫需要伪装*敏*感*词*类用户的浏览器。这通常是通过伪造请求头信息来实现的，例如：

　　3. 伪造的请求体

　　爬取某些网站时，需要POST数据到服务器，然后需要伪造请求体；

　　为了实现有道词典的在线翻译脚本，在Chrome中打开开发工具，在Network下找到方法为POST的请求。观察数据，可以发现请求体中的'i'是需要翻译的URL编码内容，因此可以伪造请求体，如：

　　您还可以使用 add_header() 方法来伪造请求头，例如：

　　4. 使用代理IP

　　为了避免爬虫过于频繁导致IP被封的问题采集，可以使用代理IP，例如：

　　注意：使用爬虫过于频繁地访问目标站点会占用大量服务器资源。大型分布式爬虫可以爬取一个站点甚至对该站点发起DDOS攻击；因此，您在使用爬虫爬取数据时应合理安排爬取。频率和时间；如：服务器比较空闲时（如清晨）进行爬取，完成一个爬取任务后暂停一段时间等；

　　5. 检测网页的编码方式

　　虽然大部分网页都是UTF-8编码的，但有时你会遇到使用其他编码方式的网页，所以必须了解网页的编码方式才能正确解码抓取到的页面；

　　chardet是python的第三方模块，使用chardet可以自动检测网页的编码方式；

　　安装chardet：pip install charest

　　用：

　　6. 获取重定向链接

　　有时网页的某个页面需要在原创URL的基础上重定向一次甚至多次才能最终到达目标页面，因此需要正确处理重定向；

　　通过requests模块的head()函数获取跳转链接的URL，如