Python爬虫——写出最简单的网页爬虫

最近对python爬虫有了强烈地兴趣，在此分享自己的学习路径，欢迎大家提出建议。我们相互交流，共同进步。

1.开发工具

笔者使用的工具是sublime text3，它的短小精悍(可能男人们都不喜欢这个词)使我十分着迷。推荐大家使用，当然如果你的电脑配置不错，pycharm可能更加适合你。

sublime text3搭建python开发环境推荐查看此博客：

[sublime搭建python开发环境][http://www.cnblogs.com/codefish/p/4806849.html]

2.爬虫介绍

爬虫顾名思义，就是像虫子一样，爬在Internet这张大网上。如此，我们便可以获取自己想要的东西。

既然要爬在Internet上，那么我们就需要了解URL，法号“统一资源定位器”，小名“链接”。其结构主要由三部分组成：

(1)协议：如我们在网址中常见的HTTP协议。

(2)域名或者IP地址：域名，如：www.baidu.com，IP地址，即将域名解析后对应的IP。

(3)路径：即目录或者文件等。

3.urllib开发最简单的爬虫

(1)urllib简介

(2)开发最简单的爬虫

百度首页简洁大方，很适合我们爬虫。

爬虫代码如下：

1. from urllib import request 
2.  
3. def visit_baidu(): 
4.     URL = "http://www.baidu.com" 
5.     # open the URL 
6.     req = request.urlopen(URL) 
7.     # read the URL  
8.     html = req.read() 
9.     # decode the URL to utf-8 
10.     html = html.decode("utf_8") 
11.     print(html) 
12.  
13. if __name__ == '__main__': 
14.     visit_baidu()  

结果如下图：

我们可以通过在百度首页空白处右击，查看审查元素来和我们的运行结果对比。

当然，request也可以生成一个request对象，这个对象可以用urlopen方法打开。

代码如下：

1. from urllib import request 
2.  
3. def vists_baidu(): 
4.     # create a request obkect 
5.     req = request.Request('http://www.baidu.com') 
6.     # open the request object 
7.     response = request.urlopen(req) 
8.     # read the response  
9.     html = response.read() 
10.     html = html.decode('utf-8') 
11.     print(html) 
12.  
13. if __name__ == '__main__': 
14.     vists_baidu()  

运行结果和刚才相同。

(3)错误处理

错误处理通过urllib模块来处理，主要有URLError和HTTPError错误，其中HTTPError错误是URLError错误的子类，即HTTRPError也可以通过URLError捕获。

HTTPError可以通过其code属性来捕获。

处理HTTPError的代码如下：

1. from urllib import request 
2. from urllib import error 
3.  
4. def Err(): 
5.     url = "https://segmentfault.com/zzz" 
6.     req = request.Request(url) 
7.  
8.     try: 
9.         response = request.urlopen(req) 
10.         html = response.read().decode("utf-8") 
11.         print(html) 
12.     except error.HTTPError as e: 
13.         print(e.code) 
14. if __name__ == '__main__': 
15.     Err()  

运行结果如图：

404为打印出的错误代码，关于此详细信息大家可以自行百度。

URLError可以通过其reason属性来捕获。

chuliHTTPError的代码如下：

1. from urllib import request 
2. from urllib import error 
3.  
4. def Err(): 
5.     url = "https://segmentf.com/" 
6.     req = request.Request(url) 
7.  
8.     try: 
9.         response = request.urlopen(req) 
10.         html = response.read().decode("utf-8") 
11.         print(html) 
12.     except error.URLError as e: 
13.         print(e.reason) 
14. if __name__ == '__main__': 
15.     Err()  

运行结果如图：

既然为了处理错误，那么最好两个错误都写入代码中，毕竟越细致越清晰。须注意的是，HTTPError是URLError的子类，所以一定要将HTTPError放在URLError的前面，否则都会输出URLError的，如将404输出为Not Found。

代码如下：

1. from urllib import request 
2. from urllib import error 
3.  
4. # 第一种方法，URLErroe和HTTPError 
5. def Err(): 
6.     url = "https://segmentfault.com/zzz" 
7.     req = request.Request(url) 
8.  
9.     try: 
10.         response = request.urlopen(req) 
11.         html = response.read().decode("utf-8") 
12.         print(html) 
13.     except error.HTTPError as e: 
14.         print(e.code) 
15.     except error.URLError as e: 
16.         print(e.reason)  

大家可以更改url来查看各种错误的输出形式。

作者：xiaomi

来源：51CTO