利用python系统自带的urllib库写简单爬虫
urlopen()获取一个URL的html源码
read()读出html源码内容decode("utf-8")将字节转化成字符串#!/usr/bin/env python# -*- coding:utf-8 -*-import urllib.requesthtml = urllib.request.urlopen('http://edu.51cto.com/course/8360.html').read().decode("utf-8")print(html)
正则获取页面指定内容
#!/usr/bin/env python# -*- coding:utf-8 -*-import urllib.requestimport rehtml = urllib.request.urlopen('http://edu.51cto.com/course/8360.html').read().decode("utf-8") #获取html源码pat = "51CTO学院Python实战群\((\d*?)\)" #正则规则，获取到QQ号rst = re.compile(pat).findall(html)print(rst)#['325935753']
urlretrieve()将网络文件下载保存到本地，参数1网络文件URL，参数2保存路径
#!/usr/bin/env python# -*- coding:utf-8 -*-from urllib import requestimport reimport osfile_path = os.path.join(os.getcwd() + '/222.html') #拼接文件保存路径# print(file_path)request.urlretrieve('http://edu.51cto.com/course/8360.html', file_path) #下载这个文件保存到指定路径
urlcleanup()清除爬虫产生的内存
#!/usr/bin/env python# -*- coding:utf-8 -*-from urllib import requestimport reimport osfile_path = os.path.join(os.getcwd() + '/222.html') #拼接文件保存路径# print(file_path)request.urlretrieve('http://edu.51cto.com/course/8360.html', file_path) #下载这个文件保存到指定路径request.urlcleanup()
info()查看抓取页面的简介
#!/usr/bin/env python# -*- coding:utf-8 -*-import urllib.requestimport rehtml = urllib.request.urlopen('http://edu.51cto.com/course/8360.html') #获取html源码a = html.info()print(a)# C:\Users\admin\AppData\Local\Programs\Python\Python35\python.exe H:/py/15/chshi.py# Date: Tue, 25 Jul 2017 16:08:17 GMT# Content-Type: text/html; charset=UTF-8# Transfer-Encoding: chunked# Connection: close# Set-Cookie: aliyungf_tc=AQAAALB8CzAikwwA9aReq63oa31pNIez; Path=/; HttpOnly# Server: Tengine# Vary: Accept-Encoding# Vary: Accept-Encoding# Vary: Accept-Encoding
getcode()获取状态码
#!/usr/bin/env python# -*- coding:utf-8 -*-import urllib.requestimport rehtml = urllib.request.urlopen('http://edu.51cto.com/course/8360.html') #获取html源码a = html.getcode() #获取状态码print(a)#200
geturl()获取当前抓取页面的URL
#!/usr/bin/env python# -*- coding:utf-8 -*-import urllib.requestimport rehtml = urllib.request.urlopen('http://edu.51cto.com/course/8360.html') #获取html源码a = html.geturl() #获取当前抓取页面的URLprint(a)#http://edu.51cto.com/course/8360.html
timeout抓取超时设置，单位为秒
是指抓取一个页面时对方服务器响应太慢，或者很久没响应，设置一个超时时间，超过超时时间就不抓取了
#!/usr/bin/env python# -*- coding:utf-8 -*-import urllib.requestimport rehtml = urllib.request.urlopen('http://edu.51cto.com/course/8360.html',timeout=30) #获取html源码a = html.geturl() #获取当前抓取页面的URLprint(a)#http://edu.51cto.com/course/8360.html
自动模拟http请求
http请求一般常用的就是get请求和post请求
get请求
比如360搜索，就是通过get请求并且将用户的搜索关键词传入到服务器获取数据的
所以我们可以模拟百度http请求，构造关键词自动请求
quote()将关键词转码成浏览器认识的字符，默认网站不能是中文
#!/usr/bin/env python# -*- coding: utf-8 -*-import urllib.requestimport regjc = "手机" #设置关键词gjc = urllib.request.quote(gjc) #将关键词转码成浏览器认识的字符，默认网站不能是中文url = "https://www.so.com/s?q="+gjc #构造url地址# print(url)html = urllib.request.urlopen(url).read().decode("utf-8") #获取html源码pat = "(\w*\w*\w*)" #正则获取相关标题rst = re.compile(pat).findall(html)# print(rst)for i in rst: print(i) #循环出获取的标题 # 官网 < em > 手机 < / em > # 官网 < em > 手机 < / em > # 官网 < em > 手机 < / em > 这么低的价格 # 大牌 < em > 手机 < / em > 低价抢 # < em > 手机 < / em > # 淘宝网推荐 < em > 手机 < / em > # < em > 手机 < / em > # < em > 手机 < / em > # < em > 手机 < / em > # < em > 手机 < / em > # 苏宁易购买 < em > 手机 < / em > # 买 < em > 手机 < / em > # 买 < em > 手机 < / em > post请求
urlencode()封装post请求提交的表单数据，参数是字典形式的键值对表单数据
Request()提交post请求，参数1是url地址，参数2是封装的表单数据#!/usr/bin/env python# -*- coding: utf-8 -*-import urllib.requestimport urllib.parseposturl = "http://www.iqianyue.com/mypost/"shuju = urllib.parse.urlencode({ #urlencode()封装post请求提交的表单数据，参数是字典形式的键值对表单数据 'name': '123', 'pass': '456' }).encode('utf-8')req = urllib.request.Request(posturl,shuju) #Request()提交post请求，参数1是url地址，参数2是封装的表单数据html = urllib.request.urlopen(req).read().decode("utf-8") #获取post请求返回的页面print(html)