基于python的爬虫

Posted 2020-09-18

抓取网页

python核心库

urllib2

 

实现对静态网页的抓取，不得不说，“人生苦短，我用python”这句话还是有道理的，要是用java来写，这估计得20行代码

（对不住了博客园了，就拿你开刀吧）

def staticFetch():
    url = "http://www.cnblogs.com/"
    request = urllib2.Request(url)
    response = urllib2.urlopen(request)
    print response.read()

 

实现对动态网页的抓取，采用post请求，如果想用get方法，只需要把参数接在url后面，不需要data这个参数

def postFetch():
    data = ‘Keywords:爬虫‘
    url = "http://zzk.cnblogs.com/s/blogpost?Keywords=%E7%88%AC%E8%99%AB"
    request = urllib2.Request(url, data)
    response = urllib2.urlopen(request)
    print response.read()

匹配数据

正则表达式	解释	案例（伪代码）
.*	贪婪模式，匹配除了换行符之外的所有字符	str = abcbc regex = a.*c return abcbc
.*?	非贪婪模式	str = abcbc regex = a.*c return abc
(.*?)	表示只要匹配这一部分 如果是匹配多个则返回的是一个元组类型	str = abcbc regex = a(.*)c return b
more

 

伪造浏览器请求

urllib2.HTTPError: HTTP Error 403: Forbidden

当你在运行python的时候出现这个错误，则该网址设置过了禁止爬虫访问，需要伪装一下http的请求头，加入如下代码再运行就ok了。

head={‘User-Agent‘:‘Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6‘}
urllib2.Request(url,headers=head)

 

网页乱码问题

看看爬下来的html是什么编码格式的

一般都是utf-8，也有gb2312和asic的，保证你的编码和网页的编码是同一种编码。

 

中文乱码

如果爬下来的网页打印的时候出现\\xe6\\x96\\xb0\\xe4\\xba\\xba这种信息，你可以用以下语句转换成字符串查看

‘,‘.join(str)

 

参考资料

//一个python爬虫从入门到放弃的好博客

http://cuiqingcai.com/1052.html