Python爬虫(一)抓取指定的页面

时间:2022-06-29 08:38:36

(以下是在windows环境下的操作,python版本为3)

1.urllib库介绍

官方文档上的解释是:

urllib is a package that collects several modules for working with URLs

简单的说就是用来处理url的,它包含以下几个模块:

  • urllib.request
  • urllib.request,打开并且读取url
  • urllib.error,包含了一些urllib.request引起的异常
  • urllib.parse,解析url
  • urllib.robotparser,解析robots.txt文件

    2.request模块

The urllib.request module defines functions and classes which help in opening URLs (mostly HTTP) in a complex world — basic and digest authentication, redirections, cookies and more.

这里,只需用到urllib.request模块,request模块包含了一些函数,用来处理打开的url。

urlopen()

urllib.request.urlopen(url, data=None, [timeout, ]*, cafile=None, capath=None, cadefault=False, context=None)

该函数主要的参数就是url,可以是一个字符串也可以是一个request对象。
函数返回一个可以作为文本管理器的对象,有如下方法:

  • geturl(),返回检索到的url资源,通常用于确定是否允许重定向
  • info(),返回页面的元信息,例如headers
  • getcode(),返回响应的http状态码

为了清楚这些函数的作用是什么,我们运行如下python代码:

import urllib.request
url = "http://www.baidu.com"
a = urllib.request.urlopen(url)
print('----------type of a----------')
print(type(a))

print('----------geturl()----------')
print(a.geturl())

print('----------info()----------')
print(a.info())

print('----------getcode()----------')
print(a.getcode())

运行结果:

Python爬虫(一)抓取指定的页面

3.抓取百度上关键词的搜索结果

首先我们需要知道百度搜索的url,打开百度随便搜索一个词,就能在地址栏看到url

Python爬虫(一)抓取指定的页面

得到url之后,剩下的就是对url进行爬取了,代码如下:

# coding=utf-8
# Created by dockerchen

import urllib.request

data = {}
data['word'] = '网络安全'

url_values = urllib.parse.urlencode(data)
url = 'http://www.baidu.com/s?wd='

full_url = url + url_values

data = urllib.request.urlopen(full_url).read()
data = data.decode('utf-8')
print(data)

urllib.parse.urlencode()可以将字符串转换为url格式的字符串,这里data进行转换后,我们可以得到wd=%E7%BD%91%E7%BB%9C%E5%AE%89%E5%85%A8的字符串。
要是只想对一个字符串进行urlencode转换,可以使用urllib.parse.quote(),例如:

>>> import urllib.parse
>>> urllib.parse.quote('网络安全')
'%E7%BD%91%E7%BB%9C%E5%AE%89%E5%85%A8'

上面代码的输出结果其实就是爬取的百度页面搜索结果的源代码,之后要做的事,就是对爬取到的东西进行处理,来获取我们想要的数据

参考:

http://jecvay.com/2014/09/python3-web-bug-series1.html