首先，我们来看一个Python抓取网页的库：urllib或urllib2。

那么urllib与urllib2有什么区别呢？
可以把urllib2当作urllib的扩增，比较明显的优势是urllib2.urlopen()可以接受Request对象作为参数，从而可以控制HTTP Request的header部。
做HTTP Request时应当尽量使用urllib2库，但是urllib.urlretrieve()函数以及urllib.quote等一系列quote和unquote功能没有被加入urllib2中，因此有时也需要urllib的辅助。

urllib.open()这里传入的参数要遵循一些协议，比如http，ftp，file等。例如：

urllib.open(\’http://www.baidu.com\’)
urllib.open(\’file:D\\Python\\Hello.py\’)

现在有一个例子，下载一个网站上所有gif格式的图片。那么Python代码如下：

import re
import urllib

def getHtml(url):
 page = urllib.urlopen(url)
 html = page.read()
 return html

def getImg(html):
 reg = r\'src=\"(.*?\\.gif)\"\'
 imgre = re.compile(reg)
 imgList = re.findall(imgre,html)
 print imgList
 cnt = 1
 for imgurl in imgList:
  urllib.urlretrieve(imgurl,\'%s.jpg\' %cnt)
  cnt += 1

if __name__ == \'__main__\':
 html = getHtml(\'http://www.baidu.com\')
 getImg(html)

根据上面的方法，我们可以抓取一定的网页，然后提取我们所需要的数据。

实际上，我们利用urllib这个模块来做网络爬虫效率是极其低下的，下面我们来介绍Tornado Web Server。
Tornado web server是使用Python编写出来的一个极轻量级、高可伸缩性和非阻塞IO的Web服务器软件，著名的Friendfeed网站就是使用它搭建的。Tornado跟其他主流的Web服务器框架（主要是Python框架）不同是采用epoll非阻塞IO，响应快速，可处理数千并发连接，特别适用用于实时的Web服务。

用Tornado Web Server来抓取网页效率会比较高。
从Tornado的官网来看，还要安装backports.ssl_match_hostname，官网如下：

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

import tornado.httpclient

def 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.code

 all_fields = http_response.headers.get_all()
 for field in all_fields:
  print field

 print http_response.body

if __name__ == \'__main__\':
 Fetch(\'http://www.baidu.com\')

urllib2的常见方法：

（1）info() 获取网页的Header信息

（2）getcode() 获取网页的状态码

（3）geturl() 获取传入的网址

（4）read() 读取文件的内容