作为初学者,在理解python的网页抓取时,我使用的是urillb,这是python自带的一个标准库。首先我们在开始之前,需要知道网页的头部信息header:server,content—type,last—modified。
在使用urillb的方法时,我用的是python内置的方法,也就是 import urllib ,dir(urllib)的使用方法以及他内部的变量。
另外,网页的内容抓取也可以自己学习网页上的内容
Python提供了许多Module,通过这些Module,可以很简单的做一些工作。比如,要获得cloga这个词在百度搜索结果页中的排名结果(排名结果 +URL),这就是一个很简单的爬虫需求。
import urllib
变量
变量是用来存储一些东西的一个容器. 在很多语言中, 变量是强调类型的, 例如在C中: “int”被称为”整型”, 用来存储整数; “float”被成为”浮点型”, 用来存储小数. 同样, 在很多语言中, 使用它们的时候必须先”声明”变量. 而在python中, 变量是没有明显的类型区分的, 只有少数时候需要我们手动转换类型, 也不需要声明, 所以即使不了解这些东西也没关系.
爬东西的第一步: 加载网页
以加载百度首页为例, 我们需要做的有以下几个步骤:
创建访问请求-> 加载-> 把加载结果显示出来
代码:
import urllib2 # 使用库: urllib2
request = urllib2.Request(url="www.baidu.com")
# 使用urllib2创建一个访问请求, 指定url为"http://www.baidu.com/", 并且把访问请求保存在request这个变量里面
result = urllib2.urlopen(request).read()
# 使用urllib2打开request这个请求(通过urlopen()函数), 并且读取数据(使用read()函数), 把结果保存在result这个变量里面
print result
# 把result变量中的内容(刚刚读取的网页源代码)显示在屏幕上
库中函数的使用方法
库名.函数(参数)
例如:
urllib2.Request(url="http:// www.2cto.com /")
库的名字: urllib2
函数: Request()
参数: url=”http://www.baidu.com/”