Python3網絡爬蟲(一)：利用urllib進行簡單的網頁抓取

1、預備知識

1.Python3.x基礎知識學習：

    能夠在經過以下方式進行學習：

    (1)廖雪峯Python3教程(文檔)：

    URL：http://www.liaoxuefeng.com/

    (2)菜鳥教程Python3教程(文檔)：

    URL：http://www.runoob.com/python3/python3-tutorial.html

    (3)魚C工做室Python教程(視頻)：

    小甲魚老師很厲害，講課風格幽默詼諧，若是時間充裕能夠考慮看視頻。

    URL：http://www.fishc.com/

2.開發環境搭建：

    Sublime text3搭建Pyhthon IDE能夠查看博客:

    URL：http://www.cnblogs.com/nx520zj/p/5787393.html

    URL：http://blog.csdn.net/c406495762/article/details/56489253

2、網絡爬蟲的定義

    網絡爬蟲，也叫網絡蜘蛛(Web Spider)，若是把互聯網比喻成一個蜘蛛網，Spider就是一隻在網上爬來爬去的蜘蛛。網絡爬蟲就是根據網頁的地址來尋找網頁的，也就是URL。舉一個簡單的例子，咱們在瀏覽器的地址欄中輸入的字符串就是URL，例如：https://www.baidu.com/

    URL就是贊成資源定位符(Uniform Resource Locator)，它的通常格式以下(帶方括號[]的爲可選項)：

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

    URL的格式由三部分組成：

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

    (2)hostname[:port]：第二部分就是主機名(還有端口號爲可選參數)，通常網站默認的端口號爲80，例如百度的主機名就是www.baidu.com，這個就是服務器的地址;

    (3)path：第三部分就是主機資源的具體地址，如目錄和文件名等。

    網絡爬蟲就是根據這個URL來獲取網頁信息的。

3、簡單爬蟲實例

    在Python3.x中，咱們可使用urlib這個組件抓取網頁，urllib是一個URL處理包，這個包中集合了一些處理URL的模塊，以下：

1.urllib.request模塊是用來打開和讀取URLs的；

2.urllib.error模塊包含一些有urllib.request產生的錯誤，可使用try進行捕捉處理；

3.urllib.parse模塊包含了一些解析URLs的方法；

4.urllib.robotparser模塊用來解析robots.txt文本文件.它提供了一個單獨的RobotFileParser類，經過該類提供的can_fetch()方法測試爬蟲是否能夠下載一個頁面。

    咱們使用urllib.request.urlopen()這個接口函數就能夠很輕鬆的打開一個網站，讀取並打印信息。

    urlopen有一些可選參數，具體信息能夠查閱Python自帶的documentation。

    瞭解到這些，咱們就能夠寫一個最簡單的程序，文件名爲urllib_test01.py，感覺一個urllib庫的魅力：

# -*- coding: UTF-8 -*- from urllib import request if __name__ == "__main__": response = request.urlopen("http://fanyi.baidu.com") html = response.read() print(html)

• 1
• 2
• 3
• 4
• 5
• 6
• 7

    urllib使用使用request.urlopen()打開和讀取URLs信息，返回的對象response如同一個文本對象，咱們能夠調用read()，進行讀取。再經過print()，將讀到的信息打印出來。

    運行程序ctrl+b，能夠在Sublime中查看運行結果，以下：

    也能夠在cmd(控制檯)中輸入指令：

python urllib_test01.py

• 1

    運行py文件，輸出信息是同樣的，以下：

    其實這就是瀏覽器接收到的信息，只不過咱們在使用瀏覽器的時候，瀏覽器已經將這些信息轉化成了界面信息供咱們瀏覽。固然這些代碼咱們也能夠從瀏覽器中查看到。例如，使用谷歌瀏覽器，在任意界面單擊右鍵選擇檢查，也就是審查元素(不是全部頁面均可以審查元素的，例如起點中文網付費章節就不行.)，以百度界面爲例，截圖以下：

    能夠看到，右邊就是咱們的審查結果。咱們能夠在本地，也就是瀏覽器(客戶端)更改元素，可是這個不會上傳到服務器端。例如我能夠修改本身的支付寶餘額裝一裝，好比這樣：

    我實際有這些錢嗎？顯然苦逼的我，是不會有這些錢的，我只不過是修改了下審查元素的信息而已。

    有些跑偏，不過說的道理就是，瀏覽器就是做爲客戶端從服務器端獲取信息，而後將信息解析，再展現給咱們的。

    迴歸正題，雖然咱們已經成功獲取了信息，可是顯然他們都是二進制的亂碼，看起來很不方便。咱們怎麼辦呢？

    咱們能夠經過簡單的decode()命令將網頁的信息進行解碼，並顯示出來，咱們新建立一個文件，命名爲urllib_test02.py，編寫以下代碼(仍是以百度翻譯網站fanyi.baidu.com爲例)：

# -*- coding: UTF-8 -*- from urllib import request if __name__ == "__main__": response = request.urlopen("http://www.fanyi.baidu.com/") html = response.read() html = html.decode("utf-8") print(html)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

    這樣咱們就能夠獲得這樣的結果，顯然解碼後的信息看起來工整和舒服多了：

    固然這個前提是咱們已經知道了這個網頁是使用utf-8編碼的，怎麼查看網頁的編碼方式呢？須要人爲操做，且很是簡單的方法是使用使用瀏覽器審查元素，只須要找到head標籤開始位置的chareset，就知道網頁是採用何種編碼的了。以下：

    這樣咱們就知道了這個網站的編碼方式，可是這須要咱們每次都打開瀏覽器，並找下編碼方式，顯然有些費事，使用幾行代碼解決更加省事而且顯得酷一些。

4、自動獲取網頁編碼方式的方法

    獲取網頁編碼的方式有不少，我的更喜歡用第三方庫的方式。

    首先咱們須要安裝第三方庫chardet，它是用來判斷編碼的模塊，安裝方法以下圖所示，只須要輸入指令：

pip install chardet

• 1

    安裝好後，咱們就可使用chardet.detect()方法，判斷網頁的編碼方式了。至此，咱們就能夠編寫一個小程序判斷網頁的編碼方式了，新建文件名爲chardet_test01.py：

# -*- coding: UTF-8 -*- from urllib import request import chardet if __name__ == "__main__": response = request.urlopen("http://fanyi.baidu.com/") html = response.read() charset = chardet.detect(html) print(charset)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

    運行程序，查看輸出結果以下：

    瞧，返回的是一個字典，這樣咱們就知道網頁的編碼方式了，經過得到的信息，採用不一樣的解碼方式便可。

PS：關於編碼方式的內容，能夠自行百度，或者看下這篇博客：

URL：http://blog.csdn.net/csywwx2008/article/details/17137097