Python 3来抓取网页-CSDN博客

用Python来抓取网页是很容易的,前面也写过很多类似的内容,但在Python3.0中,内容多多少少有些不同,下面进行一下介绍.

简单的抓取网页:

 
   view plain 
  
import urllib.request  
url="http://google.cn/"  
response=urllib.request.urlopen(url)  
page=response.read()  

这样虽然简单,但如果需要进一步精细的控制就略显不足了,在Python 3.0中,将2.x中urllib和urllib2进行了整合,使得抓取网页变得足够的简单了.具体的,大家都知道,网页抓取实际上分为2步:第一步是发出请求,第二步接收服务器返回的数据,在Python中也是这么做的.

 
   view plain 
  
import urllib.parse  
import urllib.request  
  
url="http://liuxin-blog.appspot.com/messageboard/add"  
  
values={"content":"命令行发出网页请求测试"}  
data=urllib.parse.urlencode(values)  
 
#创建请求对象  
req=urllib.request.Request(url,data)  
#获得服务器返回的数据  
response=urllib.request.urlopen(req)  
#处理数据  
page=response.read()  

上面的是POST的数据,众所周知,还有一种GET的,怎么做了?

 
   view plain 
  
import urllib.parse  
import urllib.request  
  
url="http://www.google.cn/webhp"  
  
values={"rls":"ig"}  
data=urllib.parse.urlencode(values)  
  
theurl=url+"?"+data  
#创建请求对象  
req=urllib.request.Request(theurl)  
#获得服务器返回的数据  
response=urllib.request.urlopen(req)  
#处理数据  
page=response.read()  

上面2个例子中的response对象有2个常用的方法,geturl(),info()

geturl()的设置是为了辨别是否有服务器端的网址重定向,而info()则包含了一系列的信息.

另外一个重要的内容就是错误处理了,这里错误处理比较简单,贴个代码大家自己琢磨吧

 
   view plain 
  
from urllib.request import Request, urlopen  
from urllib.error import URLError, HTTPError  
req = Request(someurl)  
try:  
    response = urlopen(req)  
except HTTPError, e:  
    print('The server couldn/'t fulfill the request.')  
    print('Error code: ', e.code)  
except URLError, e:  
    print('We failed to reach a server.')  
    print('Reason: ', e.reason)  
else:  
    # everything is fine  