python中文爬取网页_Python抓取中文网页

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：

[python] view plaincopy import sys， urllib2

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：

[python] view plaincopy 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