爬虫就是一个不断的去抓去网页的程序，根据我们的需要得到我们想要的结果！但我们又要让服务器感觉是我们人在通过浏览器浏览不是程序所为！归根到底就是我们通过程序访问网站得到html代码，然后分析html代码获取有效内容的过程。下面让我们从最简单的爬虫开始：
爬取一个页面源代码
在python中，抓取网页的库是urllib2。下面看一个最简单的例子：
1 import urllib2
2 response = urllib2.urlopen('http://www.baidu.com/')
3 html = response.read()
4 print html
执行完成后你会发现窗口中打出了一堆代码，其实就是百度主页的html代码！（抵制百度！！！）
我们来看一下urlopen的用法：
1 >>> help(urllib2.urlopen)
2 Help on function urlopen in module urllib2:
3
4 urlopen(url, data=None, timeout=<object object>, cafile=None, capath=None, cadefault=False, context=None)
第一个参数为url，第二个为要发送的数据，第三个是超时时间。其余的我们一般不用，就不解释了！第二三个参数不是必须的，因为都有默认值，data默认值为None，timeout默认值为socket._GLOBAL_DEFAUTL_TIMEOUT。传入url之后，我们得到一个response对象，返回的信息就在这里面！通过response.read()获取里面的内容。同样的我们可以构造一个Request类，作为参数传入urlopen中，这个Request类中就包含url，data，timeout等内容。上面的代码我们可以写成这样：
1 import urllib2
2
3 request = urllib2.Request("http://www.baidu.com")
4 response = urllib2.urlopen(request)
5 print response.read()
这样是不是很清晰明了了？在构建Request的时候我们通常会加入很多内容，我们发出一个请求，服务器给我们一个响应。一个简单的爬虫就这样起飞了！
POST和GET数据传送
平常我们在浏览网页的时候难免涉及到登录注册，填写表单，或者跳转到某个页面，这时候我们要跟服务器进行交互，向服务器发送数据，发送数据的方式呢就是Post和Get，两者的区别在于GET方式直接以链接的形式访问，链接中包含所有的参数，如：http://www.baidu.com/shit?result=true 其中 result=true就是Get传递的数据，POST相当于Get就安全多了，它不会在链接上显示所有参数。
Post方式：
1 import urllib 2 import urllib2 3
4 values = {} 5 values\['username'\] = "977610289@qq.com"
6 values\['password'\] = "\*\*\*\*\*\*"
7 data = urllib.urlencode(values) 8 url = "http://www.xxx.com/login?from=http://xxx/loginInfo"
9 request = urllib2.Request(url,data)
10 response = urllib2.urlopen(request)
11 print response.read()
在上面的代码中，我们创建了一个字典values，设置了username和password的值，然后通过urlencode函数将字典进行转码，命名为data，然后用url和data实例化了一个Request类，传递给urlopen()。
Get方式：
1 import urllib 2 import urllib2 3
4 values={}
5 values\['username'\] = "977610289@qq.com"
6 values\['password'\]="\*\*\*\*\*\*"
7 data = urllib.urlencode(values) 8 url = "http://www.xxx.com/login"
9 geturl = url + "?"+data
10 request = urllib2.Request(geturl)
11 response = urllib2.urlopen(request)
12 print response.read()
在上面的代码中，我们创建了一个字典values，设置了username和password的值，然后通过urlencode函数将字典进行转码，命名为data，然后我们把data拼接在了url中，我们会得到这样的url：http://www.xxx.com/login?username=977610289%40qq.com&password=******。
在实现一个爬虫的时候，我们要根据需要，选择post或者get方式进行访问！不过除了上面那些还不够，现在网站为了避免爬虫去访问会进行一些检测，如果检测不通过就不会响应你的请求，为了完全模拟浏览器工作，我们往往要设置一些headers属性，以及防盗链：
1 headers = { 'User-Agent' : 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)' ,
2 'Referer':'http://www.zhihu.com/articles' }
3 request \= urllib2.Request(url, data, headers)#利用data headers构造Request对象
有些网站可能会检测ip等，我们可能会用到urllib2的代理，有些网站响应过慢我们可以设置其timeout。在访问网站的情况下我们可能会遇到一些网站错误，我们要在程序中进行处理(一如既往的try… except…得到错误信息内容)：
1 import urllib2 2
3 req = urllib2.Request('http://www.xxx.com')
4 try:
5 urllib2.urlopen(req)
6 except urllib2.URLError, e: 7 if hasattr(e,"code"):
8 print e.code 9 if hasattr(e,"reason"):
10 print e.reason
11 else:
12 print "OK"
常见的错误代码：400 非法请求 403 禁止访问 404 未找到资源 500 服务器内部错误 200 访问成功。
在网页访问过程中，不可避免的要用到cookies，我们的程序要模拟浏览器的行为，在访问网页的时候有时候要带上特定的cookies，这样才能成功访问网页。关于cookies我们用到了cookielib，cookielib模块提供可存储cookie的对象，以便于与urllib2配合使用进行网站访问，利用其中的CookieJar类捕获和发送cookie，实现模拟登录，维持登录状态等。
获取cookie保存到变量：
1 import urllib2 2 import cookielib 3 #声明一个CookieJar对象实例来保存cookie
4 cookie = cookielib.CookieJar() 5 #利用urllib2库的HTTPCookieProcessor对象来创建cookie处理器
6 handler=urllib2.HTTPCookieProcessor(cookie)
7 #通过handler来构建opener
8 opener = urllib2.build\_opener(handler) 9 #此处的open方法同urllib2的urlopen方法，也可以传入request
10 response = opener.open('http://www.baidu.com')
11 for item in cookie:
12 print 'Name = '+item.name
13 print 'Value = '+item.value
14 #利用cookie请求访问另一个网址
15 gradeUrl = 'http://www.baidu.com/xxx/xx'
16 #请求访问
17 result = opener.open(gradeUrl)
18 print result.read()
上面程序创建了一个带有cookie的opener,在访问登录url的时候，将登录后的cookie保存下来，然后利用这个cookie来访问其他的网址。
下面放一个HttpClient.py，里面包含了post和get方法，以及getcookies：
1 import cookielib, urllib, urllib2, socket 2
3 class HttpClient: 4 \_\_cookie = cookielib.CookieJar() 5 \_\_req = urllib2.build\_opener(urllib2.HTTPCookieProcessor(\_\_cookie))
6 \_\_req.addheaders = \[ 7 ('Accept', 'application/javascript, \*/\*;q=0.8'),
8 ('User-Agent', 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; WOW64; Trident/5.0)')
9 \]
10 urllib2.install\_opener(\_\_req)
11
12 def Get(self, url, refer=None):
13 try:
14 req = urllib2.Request(url)
15 if not (refer is None):
16 req.add\_header('Referer', refer)
17 return urllib2.urlopen(req, timeout=120).read()
18 except urllib2.HTTPError, e:
19 return e.read()
20 except socket.timeout, e:
21 return ''
22 except socket.error, e:
23 return ''
24
25 def Post(self, url, data, refer=None):
26 try:
27 req = urllib2.Request(url, urllib.urlencode(data))
28 if not (refer is None):
29 req.add\_header('Referer', refer)
30 return urllib2.urlopen(req, timeout=120).read()
31 except urllib2.HTTPError, e:
32 return e.read()
33 except socket.timeout, e:
34 return ''
35 except socket.error, e:
36 return ''
37
38 def Download(self, url, file):
39 output = open(file, 'wb')
40 output.write(urllib2.urlopen(url).read())
41 output.close()
42
43 def getCookie(self, key):
44 for c in self.\_\_cookie:
45 if c.name == key:
46 return c.value
47 return ''
48
49 def setCookie(self, key, val, domain):
50 ck = cookielib.Cookie(version=0, name=key, value=val, port=None, port\_specified=False, domain=domain, domain\_specified=False, domain\_initial\_dot=False, path='/', path\_specified=True, secure=False, expires=None, discard=True, comment=None, comment\_url=None, rest={'HttpOnly': None}, rfc2109=False)
51 self.\_\_cookie.set\_cookie(ck)
```本文仅做项目练习，切勿商用！！！
由于文章篇幅有限，文档资料内容较多，需要这些文档的朋友，可以加小助手微信免费获取，【保证100%免费】，中国人不骗中国人。
全套Python学习资料分享：
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了，还有环境配置的教程，给大家节省了很多时间。
三、全套PDF电子书
书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。
四、入门学习视频全套
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。
五、实战案例
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
今天的分享就到这里，感谢大家收看
