爬虫工作原理:
- 确认url
- 使用Python代码发送请求获取数据
- 解析获取到的数据
- 数据持久化(保存到本地或数据库)
# 实战:抓取百度网页
# 导入Python自带原生库
import urllib.request
# 一、不带参数:简单爬取百度首页
def load_data():
# 1.使用Python代码发送get请求、http请求
# resopnse:http响应对象 访问百度返回的代码
url = "http://www.baidu.com/"
response = urllib.request.urlopen(url)
# 2.读取对象的内容:百度返回的是二进制文件
data = response.read()
# 3.将二进制内容转换为字符串
str_data = data.decode("utf-8") # 以utf-8方式解码
# 4.将数据写入到html文件: with open("文件名","打开方式",编码方式) as 变量名:变量名.write(写入到文件的变量)
with open("baidu.html","w",encoding="utf-8") as outfile:
outfile.write(str_data)
# Python爬取的类型:字符串 二进制
# 如果爬取的是二进制,但是想写入字符串: 内容变量名.decode("utf-8")
# 如果爬取的是字符串,但是想写入二进制: 内容变量名.encode("utf-8")
# 二、带参数:爬取带搜索的百度网页
def load_data_with_para():
# 注:Python解析器只支持ASCII码0-127,不支持中文,因为网址包含了宽字符,ASCII没有
# 此处必须将中文转译
# 转译需要用到的两个库
import urllib.parse
import string
# 1.拼接字符串
url = "http://www.baidu.com/s?wd="
wd = "美女"
new_url = url + wd + "&usm=3&rsv_idx=2&rsv_page=1" #后面这串字符串必须加上 否则会显示百度完全验证
# 2.转译完成后:http://www.baidu.com/s?wd=%E7%BE%8E%E5%A5%B3
final_url = urllib.parse.quote(new_url, safe = string.printable)
# 3.使用代码发送网络请求
response = urllib.request.urlopen(final_url)
# 4.读取网页文件
data = response.read().decode("utf-8") #默认utf-8 参数可以不写
# 5.保存文件
with open("baidu_para.html", "w", encoding="utf-8") as outfile:
outfile.write(data)
load_data()
load_data_with_para()
教程来自廖雪峰老师:https://www.liaoxuefeng.com/