python爬虫初学（一）——基本代码和常见问题

导语

本文出自一个第一次接触python爬虫的新手，第一次独立写爬虫。所以很多东西都用的最基础的，没有使用成熟的python爬虫框架，只是请求网页，写正则表达式匹配需要信息。希望对新手的你有所帮助。

目标及思路

任务：
爬取国家统计局http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/index.html地理名称信息，包括省市区街道社区乡镇等。
思路：
该网站结构是树形的，即层层递进，想要爬取这里所有的信息，需要深度或广度搜索。这里，我采用了多叉树的层序遍历（不确定list容器是不是会爆掉）
结合目标网站进一步解释：
先获取当前网页根url，并将该url加入list容器。每次弹出一个url，进行相应加工成新的可点击的url，将新url压入list，同时通过正则匹配获取需要信息写入txt文件。重复操作直到list为空，证明所有的url都已经遍历完毕。

关键方法

层序遍历代码：（大致看看即可，因为每个人的目标网址和需要内容都不一样，主要是思想）

def bfsLink(LinkList,headers):
    firstUrl = 'http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/'
    f = codecs.open(r'f:/localInfo.txt', 'a','utf-8')
    while(LinkList):
        flag = 1 # 标记当前页面是爬到最低层还是非最低层，最低层的链接长度为17
        addurl = LinkList.pop() # 当前页面超链接字符串
        if(len(addurl)==7 or len(addurl)==12): # 11.html 11/1101.html
            newurl = firstUrl + addurl
        if(len(addurl)==14):                   # 01/110101.html
            temp=addurl[3:5]
            newurl=firstUrl+temp+"/"+addurl
        if(len(addurl)==17):                   # 01/110101001.html
            temp1=addurl[3:5]
            temp2=addurl[5:7]
            newurl=firstUrl+temp1+"/"+temp2+"/"+addurl
            flag=0
        # 非最低层的正则串和最低层正则串有略微不同
        if(flag==1):
            pattStr=ur'[0-9]{12}</a>.*?<td.*?><a.*?href=\'(.*?)\'>(.*?)</a></td>'
        else:
            pattStr=ur'[0-9]{3}</td>.*?</td><td>(.*?)</td></tr>'
        print newurl
        content=getPageContent(newurl,headers=headers)
        pattern = re.compile(pattStr)
        items = re.findall(pattern, content)
        for item in items:
            # 若该页面不是最低层，即存在超链接，则将超链接加入list
            if flag==1:
                str=getLabel(item[1])
                print 'label:',str
                f.write(item[1] + '@@' + str + '\r\n')
                LinkList.append(item[0])
                print item[1]
            # 若该页面是最低层
            else:
                str = getLabel(item)
                print 'label:', str
                f.write(item + '@@' + str + '\r\n')
                print item
    f.close()

总结

---

常用代码

• 字符串保存成txt文件

  content = u'你好，脚本之家 jb51.net'
  content+='\r\n'
  content+=u'你好，脚本之家 jb51.net'
  f = codecs.open('f:/1.txt','w','utf-8') # 重新写入文本，如果是追加，则‘w’改为‘a’即可
  f.write(content)
  f.close()

• 爬虫的基本写法

#  !/usr/bin/python
# -*- coding:utf-8 -*- #
import urllib2
import re


def getPageContent(url,headers):
    request = urllib2.Request(url, headers=headers)
    response = urllib2.urlopen(request)
    content = response.read().decode('GB2312').encode('utf-8')
    return content

url='http://www.stats.gov.cn/tjsj/tjbz/tjyqhdmhcxhfdm/2016/61/6101.html'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
 #  伪装成浏览器的访问
headers = {'User-Agent': user_agent}
content = getPageContent(url,headers)
 # 输出网站内容
print content 
 # 正则串要根据爬取内容寻找规律，其中()代表一个分组，第一个括号即item[0],依次类推。
 # 若只有一个分组，则直接循环输出item即可
patternStr=ur'[0-9]{12}</a>.*?<td.*?><a.*?href=\'(.*?)\'>(.*?)</a></td>' 
pattern = re.compile(patternStr)
result = re.findall(pattern, content)
for item in result:
    print item[0]
    print item[1]

遇到的问题

• 问题：运行提示[Errno 10060]错误
  原因：爬取页面过快造成暂时被网站禁止
  解决方法一：在请求网页并获取content函数的代码中设置睡眠时间，防止爬取过快。（本来我设置的是睡眠1s，但还是报10060错误，偶然改成2s，只是中断的时间推迟了，还是没有爬完所有数据，最后，改成了睡眠时间是随机的，服务器更小概率地认为请求是非人类操作，竟然成功了）。代码为：

  second=random.uniform(2,5) # 每次生成一个2-5直接的随机浮点数
  time.sleep(second)

  解决方法二：设置代理。参看博客http://blog.csdn.net/wqy20140101/article/details/78547987 很多博主都说这样可以避免10060错误。
  注：实际问题上，因为我这次爬取的数据实在是太多了，所以我采用了两者方法结合的方式，只设置了一个代理，并且加入了睡眠实际。即便我这样修改，还是总出现502等错误，所以中断的时候，我会人工检查在哪里中断，稍微改动代码接着运行，当然，这是很下策的方法，但是我实在没有找到其他的解决思路。 希望路过的朋友可以指点一二。

• 问题：报错sre_constants.error: unbalanced parenthesis
  原因：正则表达式括号不匹配，例如：正则串最后一个右括号没有匹配对象

  pattStr=r'<td.*?class=.*?><td>(.*?)</td><td>(.*?)</td>)'

  解决：反复检查修改正则串

• 问题：报错UnicodeDecodeError: ‘ascii’ codec can’t decode byte 0xe5 in position 1: ordinal not in range(128)
  原因：读取文件时使用的编码默认时ascii而不是utf8
  解决：加入以下代码

  import sys
  reload(sys)
  sys.setdefaultencoding('utf8')

• 中文乱码问题
  原因：网站自身有编码，python程序默认有编码，两者编码很有可能是不一致的。若网站输出有中文，可能出现乱码问题
  解决：首先查看网站自身的编码，在网页源码head标签中注明。
  以实验网站为例：

  <meta http-equiv="Content-Type" content="text/html; charset=gb2312">

  因此，在读取页面时对网页内容先解码后编码。代码为：

  request = urllib2.Request(url, headers=headers)
  response = urllib2.urlopen(request)
  content = response.read().decode('GB2312').encode('utf-8')