Python爬虫——写出最简单的网页爬虫

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

(1)urllib简介

(2)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：

from urllib import request 
 
def visit_baidu(): 
    URL = "http://www.baidu.com" 
    # open the URL 
    req = request.urlopen(URL) 
    # read the URL  
    html = req.read() 
    # decode the URL to utf-8 
    html = html.decode("utf_8") 
    print(html) 
 
if __name__ == '__main__': 
    visit_baidu()  

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：

from urllib import request 
 
def vists_baidu(): 
    # create a request obkect 
    req = request.Request('http://www.baidu.com') 
    # open the request object 
    response = request.urlopen(req) 
    # read the response  
    html = response.read() 
    html = html.decode('utf-8') 
    print(html) 
 
if __name__ == '__main__': 
    vists_baidu()  

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：

from urllib import request 
from urllib import error 
 
def Err(): 
    url = "https://segmentfault.com/zzz" 
    req = request.Request(url) 
 
    try: 
        response = request.urlopen(req) 
        html = response.read().decode("utf-8") 
        print(html) 
    except error.HTTPError as e: 
        print(e.code) 
if __name__ == '__main__': 
    Err()  

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：

from urllib import request 
from urllib import error 
 
def Err(): 
    url = "https://segmentf.com/" 
    req = request.Request(url) 
 
    try: 
        response = request.urlopen(req) 
        html = response.read().decode("utf-8") 
        print(html) 
    except error.URLError as e: 
        print(e.reason) 
if __name__ == '__main__': 
    Err()  

运行结果如图： 

既然为了处理错误，那么***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：

from urllib import request 
from urllib import error 
 
# ***种方法，URLErroe和HTTPError 
def Err(): 
    url = "https://segmentfault.com/zzz" 
    req = request.Request(url) 
 
    try: 
        response = request.urlopen(req) 
        html = response.read().decode("utf-8") 
        print(html) 
    except error.HTTPError as e: 
        print(e.code) 
    except error.URLError as e: 
        print(e.reason)  

大家可以更改url来查看各种错误的输出形式。