Python爬虫——写出最简单的网页爬虫

测试积点老人

最近对python爬虫有了强烈地兴趣，在此分享自己的学习路径，欢迎大家提出建议。我们相互交流，共同进步。

1.开发工具

笔者使用的工具是sublime text3，它的短小精悍(可能男人们都不喜欢这个词)使我十分着迷。推荐大家使用，当然如果你的电脑配置不错，pycharm可能更加适合你。

sublime text3搭建python开发环境推荐查看此博客：

[sublime搭建python开发环境][http://www.cnblogs.com/codefish/p/4806849.html]

2.爬虫介绍

爬虫顾名思义，就是像虫子一样，爬在Internet这张大网上。如此，我们便可以获取自己想要的东西。

既然要爬在Internet上，那么我们就需要了解URL，法号“统一资源定位器”，小名“链接”。其结构主要由三部分组成：

(1)协议：如我们在网址中常见的HTTP协议。

(2)域名或者IP地址：域名，如：www.baidu.com，IP地址，即将域名解析后对应的IP。

(3)路径：即目录或者文件等。

3.urllib开发最简单的爬虫

百度首页简洁大方，很适合我们爬虫。

爬虫代码如下：

1. from urllib import request
   
2. 
   
3. def visit_baidu():
   
4.     URL = "http://www.baidu.com"
   
5.     # open the URL
   
6.     req = request.urlopen(URL)
   
7.     # read the URL  
   
8.     html = req.read()
   
9.     # decode the URL to utf-8
   
10.     html = html.decode("utf_8")
    
11.     print(html)
    
12. 
    
13. if __name__ == '__main__':
    
14.     visit_baidu()  <span style="background-color: rgb(255, 255, 255);">结果如下图：</span>

复制代码

结果如下图：


我们可以通过在百度首页空白处右击，查看审查元素来和我们的运行结果对比。

当然，request也可以生成一个request对象，这个对象可以用urlopen方法打开。

代码如下：

1. from urllib import request
   
2. 
   
3. def vists_baidu():
   
4.     # create a request obkect
   
5.     req = request.Request('http://www.baidu.com')
   
6.     # open the request object
   
7.     response = request.urlopen(req)
   
8.     # read the response  
   
9.     html = response.read()
   
10.     html = html.decode('utf-8')
    
11.     print(html)
    
12. 
    
13. if __name__ == '__main__':
    
14.     vists_baidu()  

复制代码

运行结果和刚才相同。

(3)错误处理

错误处理通过urllib模块来处理，主要有URLError和HTTPError错误，其中HTTPError错误是URLError错误的子类，即HTTRPError也可以通过URLError捕获。

HTTPError可以通过其code属性来捕获。

处理HTTPError的代码如下：

1. from urllib import request
   
2. from urllib import error
   
3. 
   
4. def Err():
   
5.     url = "https://segmentfault.com/zzz"
   
6.     req = request.Request(url)
   
7. 
   
8.     try:
   
9.         response = request.urlopen(req)
   
10.         html = response.read().decode("utf-8")
    
11.         print(html)
    
12.     except error.HTTPError as e:
    
13.         print(e.code)
    
14. if __name__ == '__main__':
    
15.     Err()  

复制代码

运行结果如图：

404为打印出的错误代码，关于此详细信息大家可以自行百度。

URLError可以通过其reason属性来捕获。

chuliHTTPError的代码如下：

1. from urllib import request
   
2. from urllib import error
   
3. 
   
4. def Err():
   
5.     url = "https://segmentf.com/"
   
6.     req = request.Request(url)
   
7. 
   
8.     try:
   
9.         response = request.urlopen(req)
   
10.         html = response.read().decode("utf-8")
    
11.         print(html)
    
12.     except error.URLError as e:
    
13.         print(e.reason)
    
14. if __name__ == '__main__':
    
15.     Err()  

复制代码

运行结果如图：

既然为了处理错误，那么最好两个错误都写入代码中，毕竟越细致越清晰。须注意的是，HTTPError是URLError的子类，所以一定要将HTTPError放在URLError的前面，否则都会输出URLError的，如将404输出为Not Found。

代码如下：

1. from urllib import request
   
2. from urllib import error
   
3. 
   
4. # 第一种方法，URLErroe和HTTPError
   
5. def Err():
   
6.     url = "https://segmentfault.com/zzz"
   
7.     req = request.Request(url)
   
8. 
   
9.     try:
   
10.         response = request.urlopen(req)
    
11.         html = response.read().decode("utf-8")
    
12.         print(html)
    
13.     except error.HTTPError as e:
    
14.         print(e.code)
    
15.     except error.URLError as e:
    
16.         print(e.reason)  

复制代码