python 爬虫 实战(一) —— 抓取学校开课数据

1、在python方面的爬虫领域,有一个很强大的集成化、开源的工具,叫 scrapy,做这个小项目之前稍微试用了一下,本来只是想尽快完成这个小项目,但scrapy还是有点深,所以并没有实际掌握,倒是接触到了里面一个很强大的正则工具,xpath,摆脱了学正则化表达式的痛苦


2、整个项目就是一些小模块的累加,也是不断摸索的过程。


3、一开始,使用urllib以及urllib2初探模拟浏览器发送请求的过程当中,由于对cookie机制的不了解,犯下了一个比较严重的错误:

学校具体的课程数据是由 学期->学院->课程信息 这样的结构组成的,为了爬取到所有的数据就得从一开始的学期开始抓取数据,所以就得每一层的链接都要访问,这样cookie才能够正确,不会出现404等问题。我一开始直接将chrome里面的cookie数据直接封装到了请求的头里面,从而造成了很大的错误。


4、字符集问题。由于一开始没有考虑到字符集相关的问题,所以经常会出现乱码或者xpath无法进行正则,后来开始使用gb2312(因为网页的头当中的 charset 为gb2312),但仍然会在编码方面出错

UnicodeDecodeError: 'gb2312' codec can't decode bytes in position 1771-1772

于是改正为gbk编码,但仍然报错,因为数据当中有不少是学生的姓名,姓名当中居然出现了“䶮”(yan 第三声)这样的字,而gbk编码无法支持ÿ
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值