Python 2: 第一个网络爬虫:下载网页

前言: 说好了要学习Python的,嘿嘿,这两天已经学习了基本的数据模型和数据结构,把环境装好了,试了试简单的一些语句、命令行。 现在,总结我的爬虫,啦啦啦啦啦, 新手入门,请各位路过的牛、神多多关照

PS: 我用的是Python3, 虽然我也想用Python2, 但是。。。。呃,具体原因先不扯,反正我下载的是3.6.4版本,IDE是pycharm,类比到java的话:安装的Python程序=jdk, pycharm=eclipse or IDEA

这个简单的爬虫,经过了4个小阶段丰富(很像我米夫子将3个数中找最大的例子,循序渐进的):

一、下载网页

基础版:

(话说,刚开始,总是忍不住在每行后面加 ;语法风格固定留白2行,和严格的缩进要求,也是无语:缩进竟然是有语义要求的,哈哈哈哈哈哈)

 

 

from urllib import request


def download(url):
    response = request.urlopen(url)
    page = response.read()
    return page


if __name__ == "__main__":
    download("https://www.baidu.com")

 

异常版:

如果下载网页顺利的话,基础版就足够了,但程序在运行的过程中,谁都无法保证不会出现异常,所以

 

 

def download(url):
    print("Downloading:", url)
    try:
        response = request.urlopen(url)
        page = response.read()
    except request.URLError as e:
        print("Download error:", e.reason)
        page = None
    return page

 

重试版:

如果遇到异常,也并不一定所有的异常都是无法处理的,有可能刚好就是我们在下载的某一瞬间异常,所以,对于一些我们认为可能重试几遍就能处理好的,我们希望在第一次下载失败后,进行重试(注意:不要无限制的重试)

 

def download(url, num_retries=2):
    print("Downloading:", url)
    try:
        response = request.urlopen(url)
        page = response.read()
    except request.URLError as e:
        print("Download error:", e.reason)
        page = None
        if num_retries > 0:
            if hasattr(e, 'code') and 500 <= e.code < 600:
                # when the code is 5xx ,let's retry it -Angelina
                return download(url, num_retries=-1)
    return page

 

代理版:

当我们在使用爬虫时,会默认的有一个用户代理。 既然如此,那作为网站拥有者,为了防止封禁用户代理,我们有必要为自己设置一个别名

 

def download(url, user_agent="ProxyAgent", num_retries=2):
    print("Downloading:", url)
    try:
        headers = {"User-agent": user_agent}
        response = request.urlopen(url,headers=headers)
        page = response.read()
    except request.URLError as e:
        print("Download error:", e.reason)
        page = None
        if num_retries > 0:
            if hasattr(e, 'code') and 500 <= e.code < 600:
                # when the code is 5xx ,let's retry it -Angelina
                return download(url, num_retries=-1)
    return page

OK,现在,我们已经做完了基本的网页下载方法封装咯!

 

二、学习体会

结合到多年坑里爬来爬去的经验,在新接触一种东西的时候,有经验的人告诉你怎么做,就怎么做就好。 真的,自己瞎折腾,结果一般比较惨淡。  这篇博客呢,封装好了基本的一个函数,接下来的很多方法或者工程里面,都会用到。加油啦!

给大家说几个小故事,开心开心哈。  话说,我最开始安装上Python的时候,我以为这就是一个超级编辑器,看着那一个个的>>>,我勒个去,不知道为啥,脑中浮现除了Linux命令行的既视感。  我当时还在想,哇靠,真佩服那些写Python的工程师们,一个个命令行的写,厉害了。 后来才知道,这就跟java里的java javac差不多,呵呵哒。  然后,我就整了pycharm嘛,我就觉得这个玩意儿就啥都有,我就把Python给卸了(我有强迫症,就像eclipse和IDEA不能共存一样),结果弄了半天,一直报错:interpreter field is empty。 无语了,后来两个都给装上了,终于高兴了。 但是,我看别人都说2要稳定点,目前为止,库包也要多一些,我就想把3卸了,装2的版本,结果被我的电脑坑死。。。。。。

总感觉,等我学完了,真的成为一个Python工程师的时候,会嘲笑现在的我自己。。。。。。

评论 6
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