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。。。。。。