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编码的，需要转换成本地系统的编码格式：

[python] view plaincopy 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~

微信公众号：

猿人谷

如果您认为阅读这篇博客让您有些收获，不妨点击一下右下角的【推荐】

如果您希望与我交流互动，欢迎关注微信公众号

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接。