python之網頁爬蟲教程

巴扎黑
發布: 2017-08-15 13:43:09
原創
1831 人瀏覽過

在我們日常上網瀏覽網頁的時候,常常會看到一些好看的圖片,我們就希望把這些圖片保存下載,或者用戶用來做桌面壁紙,或者用來做設計的素材。以下這篇文章就來跟大家介紹了關於利用python實現最簡單的網頁爬蟲的相關資料,需要的朋友可以參考借鑒,下面來一起看看吧。

前言

網路爬蟲(又稱為網頁蜘蛛,網路機器人,在FOAF社群中間,更常的稱為網頁追逐者),是一種依照一定的規則,自動抓取萬維網資訊的程式或腳本。最近對python爬蟲有了強烈興趣,在此分享自己的學習路徑,歡迎大家提出建議。我們相互交流,共同進步。話不多說了,來一起看看詳細的介紹:

1.開發工具

##筆者使用的工具是sublime text3,它的短小精悍(可能男人都不喜歡這個字)讓我十分著迷。推薦大家使用,當然如果你的電腦設定不錯,pycharm可能更適合你。


sublime text3建置python開發環境推薦查看這篇文章:


[sublime建置python開發環境][http://www.jb51.net/article/ 51838.htm]


2.爬蟲介紹

爬蟲顧名思義,就是像蟲子一樣,爬在Internet這張大網上。如此,我們便可以獲得自己想要的東西。


既然要爬在Internet上,那麼我們就需要了解URL,法號“統一資源定位器”,小名“連結”。其結構主要由三個部分組成:


(1)協定:如我們在網址中常見的HTTP協定。


(2)網域或IP位址:域名,如:www.baidu.com,IP位址,即將網域解析後對應的IP。


(3)路徑:即目錄或檔案等。


3.urllib發展最簡單的爬蟲

(1)urllib簡介

ModuleIntroduceurllib.errorException classes raised by urllib.request.#urllib.parseParse URLs into or assemble them from components.#urllib.requestExtensible library for opening URLs.urllib.responseResponse classes used by urllib.#urllib.robotparserLoad a robots.txt file and answer questions about fetchability of other URLs.

(2 )開發最簡單的爬蟲

百度首頁簡潔大方,很適合我們爬蟲。


爬蟲程式碼如下:


from urllib import request

def visit_baidu():
 URL = "http://www.baidu.com"
 # open the URL
 req = request.urlopen(URL)
 # read the URL 
 html = req.read()
 # decode the URL to utf-8
 html = html.decode("utf_8")
 print(html)

if __name__ == '__main__':
 visit_baidu()
登入後複製

結果如下圖:



#我們可以透過在百度首頁空白處右鍵,查看審查元素來和我們的運行結果比較。


當然,request也可以產生一個request對象,這個物件可以用urlopen方法開啟。

程式碼如下:


from urllib import request

def vists_baidu():
 # create a request obkect
 req = request.Request('http://www.baidu.com')
 # open the request object
 response = request.urlopen(req)
 # read the response 
 html = response.read()
 html = html.decode('utf-8')
 print(html)

if __name__ == '__main__':
 vists_baidu()
登入後複製

運行結果和剛才相同。

(3)錯誤處理


錯誤處理透過urllib模組來處理,主要有URLError和HTTPError錯誤,其中HTTPError錯誤是URLError錯誤的子類,即HTTRPError也可以透過URLError捕獲。


HTTPError可以透過其code屬性來捕獲。


處理HTTPError的程式碼如下:


#

from urllib import request
from urllib import error

def Err():
 url = "https://segmentfault.com/zzz"
 req = request.Request(url)

 try:
 response = request.urlopen(req)
 html = response.read().decode("utf-8")
 print(html)
 except error.HTTPError as e:
 print(e.code)
if __name__ == '__main__':
 Err()
登入後複製

執行結果如圖:








## ####404為列印出來的錯誤代碼,關於此詳細資訊大家可以自行百度。 ######URLError可以透過其reason屬性來捕獲。 #########chuliHTTPError的程式碼如下:################
from urllib import request
from urllib import error

def Err():
 url = "https://segmentf.com/"
 req = request.Request(url)

 try:
 response = request.urlopen(req)
 html = response.read().decode("utf-8")
 print(html)
 except error.URLError as e:
 print(e.reason)
if __name__ == '__main__':
 Err()
登入後複製
###執行結果如圖:################################################################################### ######既然為了處理錯誤,那麼最好兩個錯誤都寫入程式碼中,畢竟越細緻越清晰。要注意的是,HTTPError是URLError的子類,所以一定要將HTTPError放在URLError的前面,否則都會輸出URLError的,如將404輸出為Not Found。 #########程式碼如下:###############
from urllib import request
from urllib import error

# 第一种方法,URLErroe和HTTPError
def Err():
 url = "https://segmentfault.com/zzz"
 req = request.Request(url)

 try:
 response = request.urlopen(req)
 html = response.read().decode("utf-8")
 print(html)
 except error.HTTPError as e:
 print(e.code)
 except error.URLError as e:
 print(e.reason)
登入後複製

以上是python之網頁爬蟲教程的詳細內容。更多資訊請關注PHP中文網其他相關文章!

相關標籤:
來源:php.cn
本網站聲明
本文內容由網友自願投稿,版權歸原作者所有。本站不承擔相應的法律責任。如發現涉嫌抄襲或侵權的內容,請聯絡admin@php.cn
熱門教學
更多>
最新下載
更多>
網站特效
網站源碼
網站素材
前端模板