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
1 from urllib import request
2 if __name__ == "__main__":
3 response = request.urlopen("http://www.baidu.com")
4 html = response.read()
5 print(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
1 from urllib import request
2
3 if __name__ == "__main__":
4 response = request.urlopen("http://www.fanyi.baidu.com/")
5 html = response.read()
6 html = html.decode("utf-8")
7 print(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
1 from urllib import request
2 import chardet
3 if __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)
8 print(charset)
可以看到返回的是字典,最后也可以整合一下
1 from urllib import request
2 import chardet
3 if __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
9 print(html)
完美
来源:oschina
链接:https://my.oschina.net/u/4325501/blog/4247886