Python3爬虫1-请求库

获取网页源代码是爬虫的第一步，在Python中最常用的就是urllib和request两个库了。

urllib库介绍

先说一下python版本变化前后的区别，这个曾给我带来不小的麻烦。

• 在Python2中，有内置的urllib、urllib2两个库，urllib 侧重于 url 基本的请求构造，urllib2侧重于 http 协议请求的处理。
• 而在Python3中，已经不存在urllib2这个库了，统一为urllib。urllib作为Python3的标准库，基本上涵盖了基础的网络请求功能。它包含如下四个模块：
  1. request：它是最基本的HTTP请求模块用来模拟发送请求；
  2. error：异常处理模块，用来捕获异常自定义处理方式，保证程序不会意外终止；
  3. parse：提供URL的处理方式，如拆分、解析、合并等；
  4. robotparser：用于处理网站的robots.txt文件，规范爬虫。
• 另外有一个扩展的urllib3，在urllib上增加了连接池等功能，两者互相都有补充的部分。urllib3是服务于升级的http 1.1标准，拥有高效 http连接池管理及 http 代理服务的功能库，从 urllib 到 urllib2和urllib3是顺应互联应用升级浪潮的，这股浪潮从通用的网络连接服务到互联网网络的头部应用：支持长连接的 http 访问，网络访问不断的便捷化。

使用Python3的urllib库

参考简书Python网络请求urllib和urllib3详解

requests库介绍

urllib库很全，但也有很多不方便之处。为了更加方便的实现请求头构造、Cookies等功能，Python中有更强大的request库。

使用request库

还是参考简书【Requests】优雅到骨子里的网络请求库，因为他写得真的很好。

源代码有了，但需要正确的解析过滤才能称得上数据。