早就有想法把博客每天的访问流量记下来,刚好现在申请了GAE的应用,又开始学Python,正好拿这个练手。打算先利用Python把访问记录保存在本地,熟悉之后可以部署到GAE,利用GAE提供的cron就可以每天更近访问流量了。OK,开始~
首先是简单的网页抓取程序:
- import sys, urllib2
- req = urllib2.Request("http://blog.csdn.net/nevasun")
- fd = urllib2.urlopen(req)
- while True:
- data = fd.read(1024)
- if not len(data):
- break
- sys.stdout.write(data)
在终端运行提示urllib2.HTTPError: HTTP Error 403: Forbidden,怎么回事呢?
这是由于网站禁止爬虫,可以在请求加上头信息,伪装成浏览器访问。添加和修改:
- headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}
- req = urllib2.Request("http://blog.csdn.net/nevasun", headers=headers)
再试一下,HTTP Error 403没有了,但是中文全都是乱码。又是怎么回事?
这是由于网站是utf-8编码的,需要转换成本地系统的编码格式:
- import sys, urllib2
- headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}
- req = urllib2.Request("http://blog.csdn.net/nevasun", headers=headers)
- content = urllib2.urlopen(req).read() # UTF-8
- type = sys.getfilesystemencoding() # local encode format
- print content.decode("UTF-8").encode(type) # convert encode format
OK,大功告成,可以抓取中文页面了。下一步就是在GAE上做个简单的应用了~