python2中常用的包是
urllib2，而在python3中常用的是urllib.request，兩者在常用的功能是等價(jià)的，這里以python3為例
1 網(wǎng)頁(yè)原理介紹
1.1 什么是爬蟲
爬蟲，即網(wǎng)絡(luò)爬蟲，大家可以理解為在網(wǎng)絡(luò)上爬行的一直蜘蛛，互聯(lián)網(wǎng)就比作一張大網(wǎng)，而爬蟲便是在這張網(wǎng)上爬來爬去的蜘蛛咯，如果它遇到資源，那么它就會(huì)抓取下來。想抓取什么？這個(gè)由你來控制它咯。
比如它在抓取一個(gè)網(wǎng)頁(yè)，在這個(gè)網(wǎng)中他發(fā)現(xiàn)了一條道路，其實(shí)就是指向網(wǎng)頁(yè)的超鏈接，那么它就可以爬到另一張網(wǎng)上來獲取數(shù)據(jù)。這樣，整個(gè)連在一起的大網(wǎng)對(duì)這之蜘蛛來說觸手可及，分分鐘爬下來不是事兒。
1.2 瀏覽網(wǎng)頁(yè)的過程
在用戶瀏覽網(wǎng)頁(yè)的過程中，我們可能會(huì)看到許多好看的圖片，比如http://image.baidu.com/，我們會(huì)看到幾張的圖片以及百度搜索框，這個(gè)過程其實(shí)就是用戶輸入網(wǎng)址之后，經(jīng)過DNS服務(wù)器，找到服務(wù)器主機(jī)，向服務(wù)器發(fā)出一個(gè)請(qǐng)求，服務(wù)器經(jīng)過解析之后，發(fā)送給用戶的瀏覽器 HTML、JS、CSS 等文件，瀏覽器解析出來，用戶便可以看到形形色色的圖片了。
因此，用戶看到的網(wǎng)頁(yè)實(shí)質(zhì)是由 HTML 代碼構(gòu)成的，爬蟲爬來的便是這些內(nèi)容，通過分析和過濾這些 HTML 代碼，實(shí)現(xiàn)對(duì)圖片、文字等資源的獲取。
1.3 URL的含義
URL，即統(tǒng)一資源定位符，也就是我們說的網(wǎng)址，統(tǒng)一資源定位符是對(duì)可以從互聯(lián)網(wǎng)上得到的資源的位置和訪問方法的一種簡(jiǎn)潔的表示，是互聯(lián)網(wǎng)上標(biāo)準(zhǔn)資源的地址。互聯(lián)網(wǎng)上的每個(gè)文件都有一個(gè)唯一的URL，它包含的信息指出文件的位置以及瀏覽器應(yīng)該怎么處理它。
URL的格式由三部分組成：
①第一部分是協(xié)議(或稱為服務(wù)方式)。
②第二部分是存有該資源的主機(jī)IP地址(有時(shí)也包括端口號(hào))。
③第三部分是主機(jī)資源的具體地址，如目錄和文件名等。
爬蟲爬取數(shù)據(jù)時(shí)必須要有一個(gè)目標(biāo)的URL才可以獲取數(shù)據(jù)，因此，它是爬蟲獲取數(shù)據(jù)的基本依據(jù)，準(zhǔn)確理解它的含義對(duì)爬蟲學(xué)習(xí)有很大幫助。
1.4 HTTP請(qǐng)求流程
1.4.1 建立連接
建立連接后，客戶機(jī)發(fā)送一個(gè)請(qǐng)求給服務(wù)器，請(qǐng)求方式的格式為：統(tǒng)一資源標(biāo)識(shí)符（URL）、協(xié)議版本號(hào)，后邊是MIME信息包括請(qǐng)求修飾符、客戶機(jī)信息和可能的內(nèi)容。
服務(wù)器接到請(qǐng)求后，給予相應(yīng)的響應(yīng)信息，其格式為一個(gè)狀態(tài)行，包括信息的協(xié)議版本號(hào)、一個(gè)成功或錯(cuò)誤的代碼，后邊是MIME信息包括服務(wù)器信息、實(shí)體信息和可能的內(nèi)容。
客戶端接收服務(wù)器所返回的信息通過瀏覽器顯示在用戶的顯示屏上，然后客戶機(jī)與服務(wù)器斷開連接。
1.4.2 請(qǐng)求報(bào)頭
請(qǐng)求報(bào)頭允許客戶端向服務(wù)器端傳遞請(qǐng)求的附加信息以及客戶端自身的信息。
常用報(bào)頭：
1. Accept
Accept請(qǐng)求報(bào)頭域用于指定客戶端接受哪些類型的信息。
eg ：Accept：image/gif，表明客戶端希望接受GIF圖象格式的資源;
Accept：text/html，表明客戶端希望接受html文本。
2. Accept-Charset
Accept-Charset請(qǐng)求報(bào)頭域用于指定客戶端接受的字符集。
eg ：Accept-Charset:iso-8859-1,gb2312.如果在請(qǐng)求消息中沒有設(shè)置這個(gè)域，缺省是任何字符集都可以接受。
3. Accept-Encoding
Accept-Encoding請(qǐng)求報(bào)頭域類似于Accept，但是它是用于指定可接受的內(nèi)容編碼。
eg ：Accept-Encoding:gzip.deflate.如果請(qǐng)求消息中沒有設(shè)置這個(gè)域服務(wù)器假定客戶端對(duì)各種內(nèi)容編碼都可以接受。
4. Accept-Language
Accept-Language請(qǐng)求報(bào)頭域類似于Accept，但是它是用于指定一種自然語(yǔ)言。
eg ：Accept-Language:zh-cn.如果請(qǐng)求消息中沒有設(shè)置這個(gè)報(bào)頭域，服務(wù)器假定客戶端對(duì)各種語(yǔ)言都可以接受。Authorization
5. Host
Host請(qǐng)求報(bào)頭域主要用于指定被請(qǐng)求資源的Internet主機(jī)和端口號(hào)。
eg ：http://www.guet.edu.cn/index.html
Host：www.guet.edu.cn 此處使用缺省端口號(hào)80
6. User-Agent
User-Agent請(qǐng)求報(bào)頭域允許客戶端將它的操作系統(tǒng)、瀏覽器和其它屬性告訴服務(wù)器。不過，這個(gè)報(bào)頭域不是必需的。
相應(yīng)報(bào)頭：
響應(yīng)報(bào)頭允許服務(wù)器傳遞不能放在狀態(tài)行中的附加響應(yīng)信息，以及關(guān)于服務(wù)器的信息和對(duì)Request-URI所標(biāo)識(shí)的資源進(jìn)行下一步訪問的信息。
1. Location
Location響應(yīng)報(bào)頭域用于重定向接受者到一個(gè)新的位置。Location響應(yīng)報(bào)頭域常用在更換域名的時(shí)候。
2.Server
Server響應(yīng)報(bào)頭域包含了服務(wù)器用來處理請(qǐng)求的軟件信息。
3.WWW-Authenticate
WWW-Authenticate響應(yīng)報(bào)頭域必須被包含在401（未授權(quán)的）響應(yīng)消息中，客戶端收到401響應(yīng)消息時(shí)候，并發(fā)送Authorization報(bào)頭域請(qǐng)求服務(wù)器對(duì)其進(jìn)行驗(yàn)證時(shí)，服務(wù)端響應(yīng)報(bào)頭就包含該報(bào)頭域。
eg ：WWW-Authenticate:Basic realm=Basic Auth Test! //可以看出服務(wù)器對(duì)請(qǐng)求資源采用的是基本驗(yàn)證機(jī)制。
2 爬蟲
2.1 簡(jiǎn)單的例子
import urllib.request
url= "http://www.baidu.com"
data = urllib.request.urlopen(url).read()
data = data.decode('utf-8')#data是bytes格式，需要轉(zhuǎn)化成unicode格式
print(data)
接下來我們來分解整個(gè)過程，首先上面的獲取過程分為兩步：
1、發(fā)送GET請(qǐng)求
req = urllib.request.Request(url)
# 模擬瀏覽器
req.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 6.1; rv:2.0.1) Gecko/20100101 Firefox/4.0.1')
2、獲取返回的數(shù)據(jù)，同時(shí)也可以POST數(shù)據(jù)
data=urllib.request.urlopen(req).read()
# 這個(gè)過程也可以POST登陸信息
login_data=urllib.parse.urlencode({'username':email,'password':password,'entry':'mweibo'})
urllib.request.urlopen(req,data=login_data.encode('utf-8'))
