一、安装库
爬虫主要使用Python(字符串|urllib)+Selenium+PhantomJS+BeautifulSoup。还另外需要pip install httplib2。
二、Urllib下载网页及图片
由于案例是python2,一些语句使用python3时会报错:
1、import urllib.request
2、write() argument must be str, not bytes
原因:Python3给open函数添加了名为encoding的新参数,而这个新参数的默认值却是‘utf-8’。这样在文件句柄上进行read和write操作时,系统就要求开发者必须传入包含Unicode字符的实例,而不接受包含二进制数据的bytes实例。
解决方法:使用二进制写入模式(‘wb’)来开启待操作文件,而不能像原来那样,采用字符写入模式(‘w’)
知识点:
1、urlopen(url, data, timeout)
url=URL,data=访问URL时要传送的数据,timeout=超时时间(2,3可为空)
创建一个表示远程url的类文件对象,然后像本地的文件一样操作这个类文件对象来获取远程数据
2、urlretrieve方法直接将远程数据下载到本地