首先，我們來看一個Python抓取網頁的庫：urllib或urllib2。

那么urllib與urllib2有什么區別呢？

可以把urllib2當作urllib的擴增，比較明顯的優勢是urllib2.urlopen()可以接受Request對象作為參數，從而可以控制HTTP Request的header部。

做HTTP Request時應當盡量使用urllib2庫，但是urllib.urlretrieve()函數以及urllib.quote等一系列quote和unquote功能沒有被加入urllib2中，因此有時也需要urllib的輔助。

urllib.open()這里傳入的參數要遵循一些協議，比如http，ftp，file等。例如：

urllib.open('http://www.baidu.com')

urllib.open('file:D\Python\Hello.py')

現在有一個例子，下載一個網站上所有gif格式的圖片。那么Python代碼如下：

import re import urllibdef getHtml(url):page = urllib.urlopen(url)html = page.read()return htmldef getImg(html):reg = r'src="(.*?\.gif)"'imgre = re.compile(reg)imgList = re.findall(imgre,html)print imgListcnt = 1for imgurl in imgList:urllib.urlretrieve(imgurl,'%s.jpg' %cnt)cnt += 1if __name__ == '__main__':html = getHtml('http://www.baidu.com')getImg(html)
根據上面的方法，我們可以抓取一定的網頁，然后提取我們所需要的數據。

實際上，我們利用urllib這個模塊來做網絡爬蟲效率是極其低下的，下面我們來介紹Tornado Web Server。

Tornado web server是使用Python編寫出來的一個極輕量級、高可伸縮性和非阻塞IO的Web服務器軟件，著名的Friendfeed網站就是使用它搭建的。Tornado跟其他主流的Web服務器框架（主要是Python框架）不同是采用epoll非阻塞IO，響應快速，可處理數千并發連接，特別適用用于實時的Web服務。

用Tornado Web Server來抓取網頁效率會比較高。

從Tornado的官網來看，還要安裝backports.ssl_match_hostname，官網如下：

http://www.tornadoweb.org/en/stable/

import tornado.httpclientdef Fetch(url):http_header = {'User-Agent' : 'Chrome'}http_request = tornado.httpclient.HTTPRequest(url=url,method='GET',headers=http_header,connect_timeout=200,request_timeout=600)print 'Hello'http_client = tornado.httpclient.HTTPClient()print 'Hello World'print 'Start downloading data...'http_response = http_client.fetch(http_request)print 'Finish downloading data...'print http_response.codeall_fields = http_response.headers.get_all()for field in all_fields:print fieldprint http_response.bodyif __name__ == '__main__':Fetch('http://www.baidu.com')

?

?

urllib2的常見方法：

?

（1）info()??? 獲取網頁的Header信息

（2）getcode() 獲取網頁的狀態碼

（3）geturl()? 獲取傳入的網址

（4）read()????讀取文件的內容

?

?

總結

以上是生活随笔為你收集整理的网络爬虫初级的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。