本文以爬取百度首页为示例来学习,python版本为python3.6.7,完整代码会在文章末附上
本次学习所用到的python框架:
urllib.request
:
本次学习所用到的函数:
urllib.request.urlopen()
:发送http的get请求
.read()
:读取抓到的内容
.decode("utf-8")
:将获取的betys格式数据转换为string格式数据
1.发送http的get请求使用的函数urllib.request.urlopen()
,其返回内容是所请求[做运维的小年轻]的url的网页源代码 可以将返回的内容赋给另外一个key
例如 response = urllib.request.urlopen(url)
代码执行结果:
好像是存在内存里,这应该展示的是一个内存地址。
2.我们需要将内容读出来就用到了有一个函数.read()
data = response.read()
将response
的内容读出来赋值给data
代码执行结果:获取的数据类型为bytes,没有可读性哈
3.需要进行转换将data转换成字符串类型,用到函数.decode("utf-8")
str_data = data.decode("utf-8")
代码执行结果:【ps:将上面的https改为http】不截图了这里就能打印出url所对应的网页源代码了
4.接下来是数据持久化的问题【固定格式记住就行了】
代码运行会生成一个baidu.html保存的是上面搜抓取的内容。
可以本地运行会打开一个浏览器页面:
完整代码见附件。
5.那我们在爬虫的时候也会有需求,将字符串转换为你bytes格式,这就需要用到函数.encode
代码运行结果:
Python爬取到的数据类型一般有两种:str 、 bytes
如果是爬取回来的是bytes类型,但是需要写入的是str类型用到的就是第4条的.decode(utf-8)
如果爬取回来的是str类型,但是需要写入的是bytes类型用到的就是第5条对的.encode(utf-8)