python3使用requests包抓取并保存网页源码

转载自：http://blog.csdn.net/w93223010/article/details/18968081

近期的工作学习中使用到了Python，分享一些初学者的心得与君共勉。

本节的内容主要是如何使用python去获取网页的源代码并存储到本地文件中，希望通过本节可以让你略微了解到python的神奇。

先上代码：

import urllib.request  
def getPage(url):     
    request = urllib.request.Request(url)  
    response = urllib.request.urlopen(request)  
    return response.read().decode("utf-8") 
      
url='http://www.kntpb.com/'  
result=getPage(url)  
print (result) 

第1行导入了必要的包

第2至6\5行定义了一个函数，目的是向指定url发送http请求，并将网页的源代码返回

最后把获得的源码进行展示

在命令行执行代码的话，可以看到类似图1-1的一堆html代码，即为成功。

图1-1

可以用浏览器访问一下代码中的url，可以看到类似图1-2的ebay的网站。（为了逃避中文字符的处理，所以选择了英文的网站）

图1-2

而在浏览的网页的空白处单击右键，选择“查看网页源代码”，可以看到类似图1-3的的html源码，实际上与图1-1中是一样的。

图1-3

修改一下代码，将获取的html源码写入本地的文件。

[python]  view plain  copy

1. import urllib  
2. import urllib2  
3. def getPage(url):     
4.     request = urllib2.Request(url)  
5.     response = urllib2.urlopen(request)  
6.     return response.read()  
7.       
8. url='http://www.ebay.com/sch/TShirts-/15687/i.html?Style=Basic%2520Tee&_dcat=15687&Color=Black&_pgn=1'  
9. result=getPage(url)  
10. txt='D:\\result.html'  
11. f = open(txt,"w+")  
12. f.write(result)  

第10至12行进行了文件操作，在D盘创建了result.html文件并将result变量中的内容写入其中。

作为一个购物网站，大部分类型的商品都是分很多页的，接下来继续修改代码，让它能够取出前5页的内容，分别写入5个文件中。

[python]  view plain  copy

1. import urllib  
2. import urllib2  
3. def getPage(url):     
4.     request = urllib2.Request(url)  
5.     response = urllib2.urlopen(request)  
6.     return response.read()  
7.       
8. url='http://www.ebay.com/sch/TShirts-/15687/i.html?Style=Basic%2520Tee&_dcat=15687&Color=Black'  
9. p=0  
10. while p<5:  
11.     print ' =='+str(p+1)+'==start=='  
12.     result=getPage(url+'&_pgn='+str(p+1))  
13.     txt='D:\\result'+str(p+1)+'.html'  
14.     f = open(txt,"w+")  
15.     f.write(result)  
16.     print ' =='+str(p+1)+'====end=='  
17.     p=p+1  
18. f.close()  

第8行修改了url字符串的结尾部分，删除了“&_pgn=1”，并将其作为后面循环的参数

第10至17行做了一个0至4的循环（当然你也可以设置成1到5），其中第11行和16行仅是跟踪代码，用以显示当前读到的页数。第12行的实参将循环变量p组合进去，达到获取不同页html源码的作用。

第18行结束文件操作，关闭所用资源。

 

程序在命令行执行后，最后一行显示“==5====end==”，并在D盘生成如图1-4的，文件大小近似的5个html文件即为成功。

图1-4

==========================================以下是之前的笔记=====================================

这篇文章主要介绍了Python3使用requests包抓取并保存网页源码的方法,实例分析了Python3环境下requests模块的相关使用技巧,需要的朋友可以参考下

本文实例讲述了Python3使用requests包抓取并保存网页源码的方法。分享给大家供大家参考，具体如下：

使用Python 3的requests模块抓取网页源码并保存到文件示例：

import requests
html = requests.get("http://www.baidu.com")
with open('test.txt','w',encoding='utf-8') as f:
 f.write(html.text)

这是一个基本的文件保存操作，但这里有几个值得注意的问题：

1.安装requests包，命令行输入pip install requests即可自动安装。很多人推荐使用requests，自带的urllib.request也可以抓取网页源码

2.open方法encoding参数设为utf-8，否则保存的文件会出现乱码。

3.如果直接在cmd中输出抓取的内容，会提示各种编码错误，所以保存到文件查看。

4.with open方法是更好的写法，可以自动操作完毕后释放资源。

另一个例子：

import requests
ff = open('testt.txt','w',encoding='utf-8')
with open('test.txt',encoding="utf-8") as f:
 for line in f:
 ff.write(line)
ff.close()

这是演示读取一个txt文件，每次读取一行，并保存到另一个txt文件中的示例。

因为在命令行中打印每次读取一行的数据，中文会出现编码错误，所以每次读取一行并保存到另一个文件，这样来测试读取是否正常。（注意open的时候制定encoding编码方式）

转自：小谈博客 http://www.tantengvip.com/2015/05/requests-html/