从零开始学Python 三（网络爬虫）

本章由网络爬虫的编写来学习python。首先写几行代码抓取百度首页，提提精神，代码如下：

import urllib.request

file=urllib.request.urlopen("http://www.baidu.com")

data=file.read()

handle=open("code/python/baidu.html","wb")

handle.write(data)

handle.close()

除了第一行导入第三方包之外，我们用5行代码实现了一个简单的程序：读取百度首页并存储在本地制定文件。下面来详细介绍代码：

1.import urllib.request

urllib库是python的一个操作url功能强大的库，经常用在爬虫程序中。使用上述代码，我们便可以在程序中打开并爬取网页。

2.urllib.request.urlopen("http://www.baidu.com")

使用urlopen方法，参数为想爬取的网页。成功之后，把爬取的内容赋值给file变量。

另，读取file数据有2种方法：

file.read() //读取全部数据

file.readline()//读取一行数据

3.handle=open("code/python/baidu.html","wb")

通过open函数打开一个文件，并且以“wb”即二进制写入方式打开，然后赋值给hadle变量。需要注意首先建立对应的文件夹和文件，否则无法运行。错误如下：

Traceback (most recent call last):
  File "<pyshell#10>", line 1, in <module>
    fhandle=open("/code/python","wb")
FileNotFoundError: [Errno 2] No such file or directory:

4.handle.write(data)

使用write()方法将data数据写入文件

5.handle.close()

关闭文件。操作完文件之后一定要记得关闭。至此，我们就把百度首页保存到了本地文件：

打开文件显示如下：

 其实，上面5行代码可以精简为1行，功能不变但代码更少：

>>> import urllib.request
>>> 
>>> urllib.request.urlretrieve("http://www.baidu.com","code/python/baidu2.html")
('code/python/baidu2.html', <http.client.HTTPMessage object at 0x1060f8240>)
>>> 

 

接着，让我们更进一步，用程序模拟百度搜索操作。

当我们在百度上查询时，是在输入框中输入关键字，然后点击回车，接着百度返回搜索结果。这一系列操作通过http语音描述如下：使用get方法，通过"http://www.baidu.com/s?wd="+关键字调用百度服务。明白背后原理之后，我们用python模拟搜索“逃税”的操作，代码如下：

>>> url="http://www.baidu.com/s?wd="
>>> key="逃税"
>>> key_code=urllib.request.quote(key)
>>> urllib.request.urlretrieve(url+key_code,"code/python/baidu逃税.html")
('code/python/baidu逃税.html', <http.client.HTTPMessage object at 0x1060f8f98>)

打开本地文件后，发现和在百度上输入一模一样。

上面代码有个关键点：URL标准中只允许一部分ASCII字符（字母、数字），其他的比如汉字不符合标准。因此不能直接在url后面拼接汉字，需要使用quote()方法进行编码。相应的，如果需要对编码的网址进行解码，可以使用unquote()方法。

 

最后，以一个不完整的图片爬虫程序结束。

现在，我们想把淘宝网上连衣裙分类里的图片全部下载到本地。首先，找到目标网址（https://s.taobao.com/list?spm=a217f.8051907.312003.5.19833308A93qss&q=%E8%BF%9E%E8%A1%A3%E8%A3%99&cat=16&seller_type=taobao&oetag=6745&source=qiangdiao&bcoffset=12&s=180）。打开开发者工具，查看图片地址。

可以看到，我们已经拿到了图片路径，在浏览器上加上前缀"http://"就可以打开。

因此，程序逻辑如下：

循环获取网址内容->对于每个网址找到需要的图片->构造图片路径，下载到本地

具体代码请等下期内容。