学习Python爬虫是一个很头疼的事,尤其是英语不是太好的,,,,
不过学会了很有用处,本着这个想法,我开始了艰难的学习过程,。
鉴于网上的各种参考,加上专业课Python的课程是以Python3环境为教学的,这里学习均为Python3的环境。
首先学习简单的网页抓取,这里使用urllib。
直接上代码
import urllib.request
#在Pyhon3.x中urllib2已经不能用了,这里用的是urllib.request,是一样的
url = 'https://home.firefoxchina.cn/'
T = urllib.request.urlopen(url,timeout = 3)
#url是上面的字符串,传入为网络地址,timeout为超时设置,这两个参数比较常用
print("获取url信息:%s"%T.geturl())#网站的网址
print("获取返回代码:%s"%T.getcode())#这个一般是200,也可能为404,501什么的
print("获取返回信息:%s"%T.info())#网站的基本信息
html = T.read()
#将网站的信息存到变量html中
#print(html)
html=html.decode('utf-8')
#将得到的信息解码,如果不进行解码,得到的将是一串乱码
print(html)
#在火狐主页页面按下F12得到的信息是和这个一样的
这样就爬取到了网页的源码,网页所有的信息都可以在源码中找到,我们提取资源也是从源码中提取。