爬虫之路
- 在爬虫、反爬虫、反反爬虫之间战争，最终只会是爬虫获胜，除非这个网页不让用户访问，换句话说，只要用户能访问的页面爬虫都能够抓取到它的页面信息。爬虫就是模拟真实用户在浏览器的操作，第一步，就是User-Agent
2.使用代理IP
urllib2库
urllib2 是 Python2.7 自带的模块(不需要下载，导入即可使用)
urllib2 官方文档：https://docs.python.org/2/library/urllib2.html
urllib2 源码：https://hg.python.org/cpython/file/2.7/Lib/urllib2.py
注意：urllib2 在 python3.x 中被改为urllib.request
urlopen
打印结果：就是百度首页的html源码。
实际上，如果我们在浏览器上打开百度主页， 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，上面的4行代码就已经帮我们把百度的首页的全部代码爬了下来。
Request
在我们第一个例子里，urlopen()的参数就是一个url地址；但是如果需要执行更复杂的操作，比如增加HTTP报头，必须创建一个 Request 实例来作为urlopen()的参数；而需要访问的url地址则作为 Request 实例的参数。
我们编辑urllib2_request.py
运行结果是完全一样的：
新建Request实例，除了必须要有 url 参数之外，还可以设置另外两个参数：
- data（默认空）：是伴随 url 提交的数据（比如要post的数据），同时 HTTP 请求将从 "GET"方式 改为 "POST"方式。
- headers（默认空）：是一个字典，包含了需要发送的HTTP报头的键值对。
User-Agent
所谓的User-Agent是指一个身份信息：
- 浏览器 就是互联网世界上公认被允许的身份，如果我们希望我们的爬虫程序更像一个真实用户，那我们第一步，就是需要伪装成一个被公认的浏览器。用不同的浏览器在发送请求的时候，会有不同的User-Agent头。 urllib2默认的User-Agent头为：Python-urllib/x.y（x和y是Python主版本和次版本号,例如 Python-urllib/2.7）
添加更多的Header信息
在 HTTP Request 中加入特定的 Header，来构造一个完整的HTTP请求消息。
可以通过调用Request.add_header() 添加/修改一个特定的header 也可以通过调用Request.get_header()来查看已有的header。
- 添加一个特定的header
- 随机添加/修改User-Agent