urllib库简介
urllib是python3.x中用于操作URL的一个模块(库),合并了python2.x中的urllib、urllib2库。快速爬取网页
import urllib.request as url_req
with url_req.urlopen(“http://www.baidu.com“) as file:
下面要读取网页内容
法一(一行一行读):
for line in file:
print(line)
法二(一次性全部读出来):
page = file.read()
print(page)
file有以下几种方法:
file.readline():执行一次读取一行
file.read():读取全部存入一个字符串
file.readlines():返回一个列表,列表的每一项为网页内容的每一行
需要注意的有以下两点:
1)file对象执行file.read()后文件指针就指向了最后,所以再次执行时返回的就是空串了,但是file对象又没有seek方法,所以只能重新执行urlopen(url)或者将page=file.read()赋值给一个变量以便于后续处理。
2)file.read()、file.readline()方法返回的字符串为b”…”二进制字符串,所以打印时会有一个b开头,且中文显示为十六进制,且即使print这个字符串,里面的转义字符还是不会被解析,解决方法可以为:print(file.read().decode(‘utf-8’))或者print(file.read().decode());再转化为二进制文件的方法为:print(file.read().decode().encode()),即转化方法如下:二进制.decode()—》普通字符串;普通字符串.encode()—》二进制。将爬取的网页以网页的形式保存到本地
思路一:
1)将爬取的网页内容read()出来赋值给一个变量page
2)以写入的方式打开一个本地文件
测试之道--网络爬虫系列3(urllib库介绍)
最新推荐文章于 2022-02-10 12:10:55 发布