python爬虫

Posted 2020-10-24 CCColby

　　人生苦短，我用python！

一、关于爬虫

　　鉴于我的windos环境使用命令行感觉非常不便，也懒得折腾虚拟机，于是我选择了一个折中的办法——Cmder。它的下载地址是：cmder.net

Cmder是一个增强型命令行工具，不仅可以使用windows下的所有命令，更爽的是可以使用linux的命令,shell命令。下载下来后，解压即可使用。稍加设置（具体的设置可以百度），你就会发现它比windos的cmd要好用的多。

　　爬虫分为通用爬虫和聚焦爬虫，我们所研究的就是聚焦爬虫——抓取网页时筛选，尽量只抓与需求相关的网页信息。而网络爬虫的抓取过程我们可以理解为模拟浏览器操作的过程，这个过程基于Http（超文本传输协议）和Https（安全版的Http）的。当我们向浏览器中输入https://www.baidu.com/时，它就会根据这个地址来获取网页信息。我们所输入的网址就是URL——统一资源定位符，它是用于完整地描述Internet上网页和其它资源的地址的一种标识方式。

 

二、Python的urllib包

　　在Python3中，我们可以使用urlib这个组件抓取网页，urllib是一个URL处理包，这个包中集合了一些处理URL的模块。我们可以使用help命令查看一下。

import urllib

help(urllib)

其中：

　　1.urllib.request模块是用来打开和读取URLs的；

　　2.urllib.error模块包含一些有urllib.request产生的错误，可以使用try进行捕捉处理（可以学习一下python的异常处理机制）；

　　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（爬虫协议）文本文件，它提供了一个单独的RobotFileParser类，通过该类提供的can_fetch()方法测试爬虫是否可以下载一个页面。

 

 

三、下载一个页面

 

　　了解了以上这些，我们可以用request来尝试下载一个页面。在ipython中测试一下：

 

1 from urllib import request
2 
3 response=request.urlopen(\'http://www.17jita.com/\')
4 html=response.read()
5 
6 print(html)

　　看起来有些乱码，别着急，我们可以通过简单的decode()命令将网页的信息进行解码，并显示出来.

1 from urllib import request
2 
3 response=request.urlopen(\'http://www.17jita.com/\')
4 html=response.read().decode(\'gbk\')
5 
6 print(html)

 

　　这样我们就可以利用python看到网页的源码了，这与在浏览器右键查看网页源代码所看到的是一致的。

 

　　值得注意的是，在使用decode解码时，我们要了解到一些一些常用的编码方式，如：gbk，gb2312，utf-8，Unicode等等。python2的编码就常常为人所诟病，但是在在python3中，这个问题得到了解决。具体资料可以自行百度。