【摘要】

python爬虫网页的基本流程：

• 首先选取一部分精心挑选的种子URL。

• 将这些URL放入待抓取URL队列。

• 从待抓取URL队列中读取待抓取队列的URL，解析DNS，并且得到主机的IP，并将URL对应的网页下载下来，存储进已下载网页库中。此外，将这些URL放进已抓取URL队列。

• 分析已抓取URL队列中的URL，从已下载的网页数据中分析出其他URL，并和已抓取的URL进行比较去重，最后将去重过的URL放入待抓取URL队列，从而进入下一个循环。

1、HTTP请求实现

使用urllib2/urllib实现：

urllib2和urllib是Python中的两个内置模块，要实现HTTP功能，实现方式是以urllib2为主，urllib为辅。

urllib2提供一个基础函数urlopen，通过向指定的URL发出请求来获取数据。最简单的形式是：

import urllib2
response=urllib2.urlopen('http://www.zhihu.com')
html=response.read()
print html

其实可以将上面对http://www.zhihu.com的请求响应分为两步，一步是请求，一步是响应，形式如下：

import urllib2 
# 请求 
request=urllib2.Request('http://www.zhihu.com') 
# 响应 
response = urllib2.urlopen(request) 
html=response.read() 
print html 

还有post请求实现：

import urllib 
import urllib2 
url = 'http://www.xxxxxx.com/login' 
postdata = {'username' : 'qiye', 
    'password' : 'qiye_pass'} 
# info 需要被编码为urllib2能理解的格式，这里用到的是urllib 
data = urllib.urlencode(postdata) 
req = urllib2.Request(url, data) 
response = urllib2.urlopen(req) 
html = response.read() 

2、请求头headers处理
将上面的例子改写一下，加上请求头信息，设置一下请求头中的User-Agent域和Referer域信息。

import urllib 
import urllib2 
url = 'http://www.xxxxxx.com/login' 
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' 
referer='http://www.xxxxxx.com/' 
postdata = {'username' : 'qiye', 
    'password' : 'qiye_pass'} 
# 将user_agent,referer写入头信息 
headers={'User-Agent':user_agent,'Referer':referer} 
data = urllib.urlencode(postdata) 
req = urllib2.Request(url, data,headers) 
response = urllib2.urlopen(req) 
html = response.read() 

3、Cookie处理

urllib2对Cookie的处理也是自动的，使用CookieJar函数进行Cookie的管理。如果需要得到某个Cookie项的值，可以这么做：

import urllib2 
import cookielib 
cookie = cookielib.CookieJar() 
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie)) 
response = opener.open('http://www.zhihu.com') 
for item in cookie: 
    print item.name+':'+item.value 

但是有时候会遇到这种情况，我们不想让urllib2自动处理，我们想自己添加Cookie的内容，可以通过设置请求头中的Cookie域来做：

import  urllib2 
opener = urllib2.build_opener() 
opener.addheaders.append( ( 'Cookie', 'email=' + "xxxxxxx@163.com" ) ) 
req = urllib2.Request( "http://www.zhihu.com/" ) 
response = opener.open(req) 
print response.headers 
retdata = response.read()