python爬取网页urlib_Python3网络爬虫（1）：利用urllib进行简单的网页抓取

1.开发环境

pycharm2017.3.3

python3.5

2.网络爬虫的定义

网络爬虫，也叫网络蜘蛛(web spider)，如果把互联网比喻成一个蜘蛛网，spider就是一只在网上爬来爬去的蜘蛛，网络爬虫就是根据网页的地址来寻找网页的，也就是URL。举一个简单的例子，我们在浏览器的地址栏中输入的字符串就是URL，例如：https://www.baidu.com/

URL就是统一资源定位符(uniform resource location)，他的一般格式如下(带方括号[]的为可选项)

protocol://hostname[:port]/path/[:parameters][?query]#fragment

URL的格式由三部分组成：

(1)protocol：第一部分就是协议，例如百度使用的就是https协议；

(2)hostname[：port]：第二部分人就是主机名(还有端口号为可选参数)，一般网站默认的端口号为80

(3)path：第三部分就是主机资源的具体地址，如目录和文件名等，网络爬虫就是根据这个URL来获取网页信息的

3.简单爬虫实例

在Python3.x中，我们可以使用urllib这个组件抓取网页，urllib是一个URL处理包，这个包中集合了一下处理url的模块，如下：

(1)urllib.request模块是用来打开和读取URLs的；

(2)urllib.error模块包含一些由urllib.request产生的错误，可以使用try进行捕捉处理

(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文本文件，它提供了一个单独的RobotFileParser类，通过该类提供的can_fatch()方法测试爬虫是否可以下载一个页面

我们使用urllib.request.urlopen()这个接口函数就可以很轻松的打开一个网站，读取并打印信息

下面来写一个简单的程序实现一下

1 from urllib importrequest2 if __name__ == "__main__":3 response = request.urlopen("http://www.baidu.com")4 html =response.read()5 print(html)

运行结果(可以看到进度条还能拉倒很远)

这都是些什么鬼玩意呢

拿来对比一下,浏览器中打开www.baidu.com，查看页面元素，快捷键F12(浏览器最好用火狐或者Chrome)

东西都一样，就是格式有点乱，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，在代码中添加一句html=html.decode("utf-8")即可

1 from urllib importrequest2

3 if __name__ == "__main__":4 response = request.urlopen("http://www.fanyi.baidu.com/")5 html =response.read()6 html = html.decode("utf-8")7 print(html)

输出正常的html格式

当然编码方式不是我们猜出来的，是查出来的，在查看元素中找到head标签，打开，看到charset="utf-8"，就是编码方式

4.自动获取网页编码方式的方法

这里采用第三方库的方法，安装chardet

1 pip install chardet

对代码稍作修改用来判断网页的编码方式

1 from urllib importrequest2 importchardet3 if __name__ == "__main__":4 response = request.urlopen("http://www.baidu.com")5 html =response.read()6 #html = html.decode("utf-8")

7 charset =chardet.detect(html)8 print(charset)

可以看到返回的是字典，最后也可以整合一下

1 from urllib importrequest2 importchardet3 if __name__ == "__main__":4 response = request.urlopen("http://www.baidu.com")5 html =response.read()6 charset =chardet.detect(html)7 html = html.decode(charset.get('encoding'))8

9 print(html)

完美