python 爬虫 包_python爬虫（1）——urllib包

人生苦短，我用python！

一、关于爬虫

鉴于我的windos环境使用命令行感觉非常不便，也懒得折腾虚拟机，于是我选择了一个折中的办法——Cmder。它的下载地址是：cmder.net

Cmder是一个增强型命令行工具，不仅可以使用windows下的所有命令，更爽的是可以使用linux的命令,shell命令。下载下来后，解压即可使用。稍加设置(具体的设置可以百度)，你就会发现它比windos的cmd要好用的多。

爬虫分为通用爬虫和聚焦爬虫，我们所研究的就是聚焦爬虫——抓取网页时筛选，尽量只抓与需求相关的网页信息。而网络爬虫的抓取过程我们可以理解为模拟浏览器操作的过程，这个过程基于Http(超文本传输协议)和Https(安全版的Http)的。当我们向浏览器中输入https://www.baidu.com/时，它就会根据这个地址来获取网页信息。我们所输入的网址就是URL——统一资源定位符，它是用于完整地描述Internet上网页和其它资源的地址的一种标识方式。

二、Python的urllib包

在Python3中，我们可以使用urlib这个组件抓取网页，urllib是一个URL处理包，这个包中集合了一些处理URL的模块。我们可以使用help命令查看一下。

importurllib

help(urllib)

其中：

1.urllib.request模块是用来打开和读取URLs的；

2.urllib.error模块包含一些有urllib.request产生的错误，可以使用try进行捕捉处理(可以学习一下python的异常处理机制)；

3.urllib.parse模块包含了一些解析URLs的方法；

4.urllib.robotparser模块用来解析robots.txt(爬虫协议)文本文件，它提供了一个单独的RobotFileParser类，通过该类提供的can_fetch()方法测试爬虫是否可以下载一个页面。

三、下载一个页面

了解了以上这些，我们可以用request来尝试下载一个页面。在ipython中测试一下：

1 from urllib importrequest2

3 response=request.urlopen('http://www.17jita.com/')4 html=response.read()5

6 print(html)

看起来有些乱码，别着急，我们可以通过简单的decode()命令将网页的信息进行解码，并显示出来.

1 from urllib importrequest2

3 response=request.urlopen('http://www.17jita.com/')4 html=response.read().decode('gbk')5

6 print(html)

这样我们就可以利用python看到网页的源码了，这与在浏览器右键查看网页源代码所看到的是一致的。

值得注意的是，在使用decode解码时，我们要了解到一些一些常用的编码方式，如：gbk，gb2312，utf-8，Unicode等等。python2的编码就常常为人所诟病，但是在在python3中，这个问题得到了解决。具体资料可以自行百度。