快速爬取一个网页

爬取网页，其实就是通过URL获取网页信息，这段网页信息的实质就是一段附加了JS和CSS的HTML代码。如果把网页比作是一个人，那么HTML就是它的骨架，JS是它的肌肉，CSS是它的衣服。由此看来，网页最重要的数据部分是存在于HTML中的。

urllib库的使用比较简单，接下来，我们使用urllib快速爬取一个网页，具体代码如下：

import urllib.request
# 调用urllib.request库的urlopen方法，并传入一个url 
response = urllib.request.urlopen('http://www.baidu.com')
# 使用read方法读取获取到的网页内容
html = response.read().decode('UTF-8')
# 打印网页内容
print(html)

上述代码就是一个简单的爬取网页案例，爬取的网页结果如图1所示。

图1 获取的网页源码

实际上，如果我们在浏览器上打开百度首页，右键选择“查看源代码”，你会发现，跟我们刚才打印出来的是一模一样。也就是说，上述案例仅仅用了几行代码，就已经帮我们把百度首页的全部代码下载下来了。

多学一招：Python2使用的是urllib2库

Python2中使用的是urllib2库来下载网页，该库的用法如下所示：

import urllib2
response = urllib2.urlopen('http://www.baidu.com')

Python3出现后，之前Python2中的urllib2库被移到了urllib.request模块中，之前urllib2中很多函数的路径也发生了变化，希望大家在使用的时候多加注意。