Python3网络爬虫(1):利用urllib进行简单的网页抓取

coding

1.开发环境

  pycharm2017.3.3

  python3.5

2.网络爬虫的定义

  网络爬虫,也叫网络蜘蛛(web spider),如果把互联网比喻成一个蜘蛛网,spider就是一只在网上爬来爬去的蜘蛛,网络爬虫就是根据网页的地址来寻找网页的,也就是URL。举一个简单的例子,我们在浏览器的地址栏中输入的字符串就是URL,例如:https://www.baidu.com/

  URL就是统一资源定位符(uniform resource location),他的一般格式如下(带方括号[]的为可选项)

    protocol://hostname[:port]/path/[:parameters][?query]#fragment

  URL的格式由三部分组成:

    (1)protocol:第一部分就是协议,例如百度使用的就是https协议;

    (2)hostname[:port]:第二部分人就是主机名(还有端口号为可选参数),一般网站默认的端口号为80

    (3)path:第三部分就是主机资源的具体地址,如目录和文件名等,网络爬虫就是根据这个URL来获取网页信息的

3.简单爬虫实例

  在Python3.x中,我们可以使用urllib这个组件抓取网页,urllib是一个URL处理包,这个包中集合了一下处理url的模块,如下:

    (1)urllib.request模块是用来打开和读取URLs的;

    (2)urllib.error模块包含一些由urllib.request产生的错误,可以使用try进行捕捉处理

    (3)urllib.parse模块包含了一些解析URLs的方法;

    (4)urllib.robotparser模块用来解析robots.txt文本文件,它提供了一个单独的RobotFileParser类,通过该类提供的can_fatch()方法测试爬虫是否可以下载一个页面

  我们使用urllib.request.urlopen()这个接口函数就可以很轻松的打开一个网站,读取并打印信息

  下面来写一个简单的程序实现一下

1from urllib import request

2if__name__ == "__main__":

3 response = request.urlopen("http://www.baidu.com")

4 html = response.read()

5print(html)

  运行结果(可以看到进度条还能拉倒很远)

  

  这都是些什么鬼玩意呢

  拿来对比一下,浏览器中打开www.baidu.com,查看页面元素,快捷键F12(浏览器最好用火狐或者Chrome)

  

  东西都一样,就是格式有点乱,可以通过简单的decode()命令将网页的信息进行解码并显示出来,在代码中添加一句html=html.decode("utf-8")即可

1from urllib import request

2

3if__name__ == "__main__":

4 response = request.urlopen("http://www.fanyi.baidu.com/")

5 html = response.read()

6 html = html.decode("utf-8")

7print(html)

   输出正常的html格式

  

  当然编码方式不是我们猜出来的,是查出来的,在查看元素中找到head标签,打开,看到charset="utf-8",就是编码方式

  

4.自动获取网页编码方式的方法

  这里采用第三方库的方法,安装chardet

  

1 pip install chardet

  

  

   对代码稍作修改用来判断网页的编码方式

   

1from urllib import request

2import chardet

3if__name__ == "__main__":

4 response = request.urlopen("http://www.baidu.com")

5 html = response.read()

6#html = html.decode("utf-8")

7 charset = chardet.detect(html)

8print(charset)

 

可以看到返回的是字典,最后也可以整合一下

1from urllib import request

2import chardet

3if__name__ == "__main__":

4 response = request.urlopen("http://www.baidu.com")

5 html = response.read()

6 charset = chardet.detect(html)

7 html = html.decode(charset.get('encoding'))

8

9print(html)

完美

以上是 Python3网络爬虫(1):利用urllib进行简单的网页抓取 的全部内容, 来源链接: utcz.com/z/509082.html

回到顶部