1.爬取百度首页面所有数据值
#!/usr/bin/env python
# -*- coding:utf-8 -*-
#导包
import urllib.request
import urllib.parse
if __name__ == "__main__":
#指定爬取的网页url
url = ‘http://www.baidu.com/‘
#通过urlopen函数向指定的url发起请求，返回响应对象
reponse = urllib.request.urlopen(url=url)
#通过调用响应对象中的read函数，返回响应回客户端的数据值（爬取到的数据）
data = reponse.read()#返回的数据为byte类型，并非字符串
print(data)#打印显示爬取到的数据值。
补充说明：
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.将爬取到百度新闻首页的数据值写入文件进行存储
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib.request
import urllib.parse
if __name__ == "__main__":
url = ‘http://news.baidu.com/‘
reponse = urllib.request.urlopen(url=url)
#decode()作用是将响应中字节（byte）类型的数据值转成字符串类型
data = reponse.read().decode()
#使用IO操作将data表示的数据值以‘w‘权限的方式写入到news.html文件中
with open(‘./news.html‘,‘w‘) as fp:
fp.write(data)
print(‘写入文件完毕‘)
3.爬取网络上某张图片数据，且存储到本地
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib.request
import urllib.parse
#如下两行代码表示忽略https证书，因为下面请求的url为https协议的请求，如果请求不是https则该两行代码可不用。
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
if __name__ == "__main__":
#url是https协议的
url = ‘https://timgsa.baidu.com/timg?image&quality=80&size=b9999_10000&sec=1536918978042&di=172c5a4583ca1d17a1a49dba2914cfb9&imgtype=0&src=http%3A%2F%2Fimgsrc.baidu.com%2Fimgad%2Fpic%2Fitem%2F0dd7912397dda144f04b5d9cb9b7d0a20cf48659.jpg‘
reponse = urllib.request.urlopen(url=url)
data = reponse.read()#因为爬取的是图片数据值(二进制数据)，则无需使用decode进行类型转换。
with open(‘./money.jpg‘,‘wb‘) as fp:
fp.write(data)
print(‘写入文件完毕‘)
4.url的特性：url必须为ASCII编码的数据值。所以我们在爬虫代码中编写url时，如果url中存在非ASCII编码的数据值，则必须对其进行ASCII编码后，该url方可被使用。
案例：爬取使用百度根据指定词条搜索到的页面数据（例如爬取词条为‘周杰伦’的页面数据）
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib.request
import urllib.parse
if __name__ == "__main__":
#原始url中存在非ASCII编码的值，则该url无法被使用。
#url = ‘http://www.baidu.com/s?ie=utf-8&kw=周杰伦‘
#处理url中存在的非ASCII数据值
url = ‘http://www.baidu.com/s?‘
#将带有非ASCII的数据封装到字典中，url中非ASCII的数据往往都是‘?‘后面键值形式的请求参数
param = {
‘ie‘:‘utf-8‘,
‘wd‘:‘周杰伦‘
}
#使用parse子模块中的urlencode函数将封装好的字典中存在的非ASCII的数值进行ASCII编码
param = urllib.parse.urlencode(param)
#将编码后的数据和url进行整合拼接成一个完整可用的url
url = url + param
print(url)
response = urllib.request.urlopen(url=url)
data = response.read()
with open(‘./周杰伦.html‘,‘wb‘) as fp:
fp.write(data)
print(‘写入文件完毕‘)
5.通过自定义请求对象，用于伪装爬虫程序请求的身份。
之前在讲解http常用请求头信息时，我们讲解过User-Agent参数，简称为UA，该参数的作用是用于表明本次请求载体的身份标识。如果我们通过浏览器发起的请求，则该请求的载体为当前浏览器，则UA参数的值表明的是当前浏览器的身份标识表示的一串数据。如果我们使用爬虫程序发起的一个请求，则该请求的载体为爬虫程序，那么该请求的UA为爬虫程序的身份标识表示的一串数据。有些网站会通过辨别请求的UA来判别该请求的载体是否为爬虫程序，如果为爬虫程序，则不会给该请求返回响应，那么我们的爬虫程序则也无法通过请求爬取到该网站中的数据值，这也是反爬虫的一种初级技术手段。那么为了防止该问题的出现，则我们可以给爬虫程序的UA进行伪装，伪装成某款浏览器的身份标识。
上述案例中，我们是通过request模块中的urlopen发起的请求，该请求对象为urllib中内置的默认请求对象，我们无法对其进行UA进行更改操作。urllib还为我们提供了一种自定义请求对象的方式，我们可以通过自定义请求对象的方式，给该请求对象中的UA进行伪装（更改）操作。
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import urllib.request
import urllib.parse
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
if __name__ == "__main__":
#原始url中存在非ASCII编码的值，则该url无法被使用。
#url = ‘http://www.baidu.com/s?ie=utf-8&kw=周杰伦‘
#处理url中存在的非ASCII数据值
url = ‘http://www.baidu.com/s?‘
#将带有非ASCII的数据封装到字典中，url中非ASCII的数据往往都是‘?‘后面键值形式的请求参数
param = {
‘ie‘:‘utf-8‘,
‘wd‘:‘周杰伦‘
}
#使用parse子模块中的urlencode函数将封装好的字典中存在的非ASCII的数值进行ASCII编码
param = urllib.parse.urlencode(param)
#将编码后的数据和url进行整合拼接成一个完整可用的url
url = url + param
#将浏览器的UA数据获取，封装到一个字典中。该UA值可以通过抓包工具或者浏览器自带的开发者工具中获取某请求，从中获取UA的值
headers={
‘User-Agent‘ : ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.106 Safari/537.36‘
}
#自定义一个请求对象
#参数：url为请求的url。headers为UA的值。data为post请求的请求参数（后面讲）
request = urllib.request.Request(url=url,headers=headers)
#发送我们自定义的请求（该请求的UA已经进行了伪装）
response = urllib.request.urlopen(request)
data=response.read()
with open(‘./周杰伦.html‘,‘wb‘) as fp:
fp.write(data)
print(‘写入数据完毕‘)
#爬虫登录开心网的账号，并且爬取个人主页内容
from urllib import request,parse
from http import cookiejar
import ssl
#取消SSL验证
ssl._create_default_https_context=ssl._create_unverified_context
#定义请求管理器
#url.request.urlopen() 并不能保存cookie
http_handler=request.HTTPHandler()
https_handler=request.HTTPSHandler()
cookie=cookiejar.CookieJar()
#cookie管理器
cookie_handler=request.HTTPCookieProcessor(cookie)
##生成一个请求管理器
opener=request.build_opener(https_handler,http_handler,cookie_handler)
#登录
def login(account,password):
#（1）
login_url=‘https://security.kaixin001.com/login/login_post.php‘
data={
‘email‘:account,
‘password‘:password
}
data=parse.urlencode(data)
headers = {
"Content-Length": len(data),
"user_agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36"
}
req=request.Request(url=login_url,data=bytes(data,encoding=‘utf-8‘),headers=headers)
# 2
response=opener.open(req)
html=response.read()
html=html.decode(‘utf-8‘)
# print(html)
# 在一个页面html中查找特定子串 uid=
location = html.find(‘uid=‘)
print(location)
uid=html[location+4:location+4+9]
print(uid)
gerenpage(uid)
def gerenpage(uid):
# basu_url=‘http://www.kaixin001.com/home/?_profileuid=181701569&t=71‘
#扩展功能，任何登录的个人都可以访问属于他们自己的个人主页
basu_url = ‘http://www.kaixin001.com/home/?_profileuid=%s&t=71%(uid)‘
headers = {
"user_agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36"
}
req = request.Request(url=basu_url, headers=headers)
# 2
response = opener.open(req)
html = response.read()
html = html.decode(‘utf-8‘)
with open(‘kaixingerenpage‘,‘w‘,encoding=‘utf-8‘) as f:
f.write(html)
print(html)
if __name__==‘__main__‘:
account = input("请输入账号：")
password = input("请输入密码：")
login(account, password)
#登录后访问个人主页 # gerenpage(uid)————————————————版权声明：本文为CSDN博主「Arthur54271」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/zbrj12345/article/details/79929929