這篇文章主要為大家展示了“Python3如何利用urllib進(jìn)行簡單的網(wǎng)頁抓取”，內(nèi)容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領(lǐng)大家一起研究并學(xué)習(xí)一下“Python3如何利用urllib進(jìn)行簡單的網(wǎng)頁抓取”這篇文章吧。
成都創(chuàng)新互聯(lián)公司是一家專業(yè)提供沙灣企業(yè)網(wǎng)站建設(shè),專注與網(wǎng)站設(shè)計(jì)制作、成都網(wǎng)站建設(shè)、H5場景定制、小程序制作等業(yè)務(wù)。10年已為沙灣眾多企業(yè)、政府機(jī)構(gòu)等服務(wù)。創(chuàng)新互聯(lián)專業(yè)的建站公司優(yōu)惠進(jìn)行中。
運(yùn)行平臺：Windows
Python版本：Python3.x
IDE：Sublime text3
轉(zhuǎn)載請注明作者和出處：http://blog.csdn.net/c406495762/article/details/58716886
一直想學(xué)習(xí)Python爬蟲的知識，在網(wǎng)上搜索了一下，大部分都是基于Python2.x的。因此打算寫一個Python3.x的爬蟲筆記，以便后續(xù)回顧，歡迎一起交流、共同進(jìn)步。
一、預(yù)備知識
1.Python3.x基礎(chǔ)知識學(xué)習(xí)：
可以在通過如下方式進(jìn)行學(xué)習(xí)：
(1)廖雪峰Python3教程(文檔)：
URL：http://www.liaoxuefeng.com/
(2)菜鳥教程Python3教程(文檔)：
URL：http://www.runoob.com/python3/python3-tutorial.html
(3)魚C工作室Python教程(視頻)：
小甲魚老師很厲害，講課風(fēng)格幽默詼諧，如果時間充?？梢钥紤]看視頻。
URL：http://www.fishc.com/
2.開發(fā)環(huán)境搭建：
Sublime text3搭建Pyhthon IDE可以查看博客:
URL：http://www.cnblogs.com/nx520zj/p/5787393.html
URL：http://blog.csdn.net/c406495762/article/details/56489253
二、網(wǎng)絡(luò)爬蟲的定義
網(wǎng)絡(luò)爬蟲，也叫網(wǎng)絡(luò)蜘蛛(Web Spider)，如果把互聯(lián)網(wǎng)比喻成一個蜘蛛網(wǎng)，Spider就是一只在網(wǎng)上爬來爬去的蜘蛛。網(wǎng)絡(luò)爬蟲就是根據(jù)網(wǎng)頁的地址來尋找網(wǎng)頁的，也就是URL。舉一個簡單的例子，我們在瀏覽器的地址欄中輸入的字符串就是URL，例如：https://www.baidu.com/
URL就是同意資源定位符(Uniform Resource Locator)，它的一般格式如下(帶方括號[]的為可選項(xiàng))：
protocol :// hostname[:port] / path / [;parameters][?query]#fragment
URL的格式由三部分組成：
(1)protocol：第一部分就是協(xié)議，例如百度使用的就是https協(xié)議；
(2)hostname[:port]：第二部分就是主機(jī)名(還有端口號為可選參數(shù))，一般網(wǎng)站默認(rèn)的端口號為80，例如百度的主機(jī)名就是www.baidu.com，這個就是服務(wù)器的地址;
(3)path：第三部分就是主機(jī)資源的具體地址，如目錄和文件名等。
網(wǎng)絡(luò)爬蟲就是根據(jù)這個URL來獲取網(wǎng)頁信息的。
三、簡單爬蟲實(shí)例
在Python3.x中，我們可以使用urlib這個組件抓取網(wǎng)頁，urllib是一個URL處理包，這個包中集合了一些處理URL的模塊，如下：
1.urllib.request模塊是用來打開和讀取URLs的；
2.urllib.error模塊包含一些有urllib.request產(chǎn)生的錯誤，可以使用try進(jìn)行捕捉處理；
3.urllib.parse模塊包含了一些解析URLs的方法；
4.urllib.robotparser模塊用來解析robots.txt文本文件.它提供了一個單獨(dú)的RobotFileParser類，通過該類提供的can_fetch()方法測試爬蟲是否可以下載一個頁面。
我們使用urllib.request.urlopen()這個接口函數(shù)就可以很輕松的打開一個網(wǎng)站，讀取并打印信息。
urlopen有一些可選參數(shù)，具體信息可以查閱Python自帶的documentation。
了解到這些，我們就可以寫一個最簡單的程序，文件名為urllib_test01.py，感受一個urllib庫的魅力：
重慶分公司
重慶分公司
# -*- coding: UTF-8 -*-from urllib import requestif __name__ == "__main__":
response = request.urlopen("http://fanyi.baidu.com")
html = response.read()
print(html)urllib使用使用request.urlopen()打開和讀取URLs信息，返回的對象response如同一個文本對象，我們可以調(diào)用read()，進(jìn)行讀取。再通過print()，將讀到的信息打印出來。
運(yùn)行程序ctrl+b，可以在Sublime中查看運(yùn)行結(jié)果，如下：
也可以在cmd(控制臺)中輸入指令：
python urllib_test01.py
運(yùn)行py文件，輸出信息是一樣的，如下：
其實(shí)這就是瀏覽器接收到的信息，只不過我們在使用瀏覽器的時候，瀏覽器已經(jīng)將這些信息轉(zhuǎn)化成了界面信息供我們?yōu)g覽。當(dāng)然這些代碼我們也可以從瀏覽器中查看到。例如，使用谷歌瀏覽器，在任意界面單擊右鍵選擇檢查，也就是審查元素(不是所有頁面都可以審查元素的，例如起點(diǎn)中文網(wǎng)付費(fèi)章節(jié)就不行.)，以百度界面為例，截圖如下：
可以看到，右邊就是我們的審查結(jié)果。我們可以在本地，也就是瀏覽器(客戶端)更改元素，但是這個不會上傳到服務(wù)器端。例如我可以修改自己的支付寶余額裝一裝，比如這樣：
我實(shí)際有這些錢嗎？顯然苦逼的我，是不會有這些錢的，我只不過是修改了下審查元素的信息而已。
有些跑偏，不過說的道理就是，瀏覽器就是作為客戶端從服務(wù)器端獲取信息，然后將信息解析，再展示給我們的。
回歸正題，雖然我們已經(jīng)成功獲取了信息，但是顯然他們都是二進(jìn)制的亂碼，看起來很不方便。我們怎么辦呢？
我們可以通過簡單的decode()命令將網(wǎng)頁的信息進(jìn)行解碼，并顯示出來，我們新創(chuàng)建一個文件，命名為urllib_test02.py，編寫如下代碼(還是以百度翻譯網(wǎng)站fanyi.baidu.com為例)：
# -*- coding: UTF-8 -*-from urllib import requestif __name__ == "__main__":
response = request.urlopen("http://www.fanyi.baidu.com/")
html = response.read()
html = html.decode("utf-8")
print(html)這樣我們就可以得到這樣的結(jié)果，顯然解碼后的信息看起來工整和舒服多了：
當(dāng)然這個前提是我們已經(jīng)知道了這個網(wǎng)頁是使用utf-8編碼的，怎么查看網(wǎng)頁的編碼方式呢？需要人為操作，且非常簡單的方法是使用使用瀏覽器審查元素，只需要找到head標(biāo)簽開始位置的chareset，就知道網(wǎng)頁是采用何種編碼的了。如下：
這樣我們就知道了這個網(wǎng)站的編碼方式，但是這需要我們每次都打開瀏覽器，并找下編碼方式，顯然有些費(fèi)事，使用幾行代碼解決更加省事并且顯得酷一些。
四、自動獲取網(wǎng)頁編碼方式的方法
獲取網(wǎng)頁編碼的方式有很多，個人更喜歡用第三方庫的方式。
首先我們需要安裝第三方庫chardet，它是用來判斷編碼的模塊，安裝方法如下圖所示，只需要輸入指令：
pip install chardet
安裝好后，我們就可以使用chardet.detect()方法，判斷網(wǎng)頁的編碼方式了。至此，我們就可以編寫一個小程序判斷網(wǎng)頁的編碼方式了，新建文件名為chardet_test01.py：
# -*- coding: UTF-8 -*-from urllib import requestimport chardetif __name__ == "__main__":
response = request.urlopen("http://fanyi.baidu.com/")
html = response.read()
charset = chardet.detect(html)
print(charset)運(yùn)行程序，查看輸出結(jié)果如下：
瞧，返回的是一個字典，這樣我們就知道網(wǎng)頁的編碼方式了，通過獲得的信息，采用不同的解碼方式即可。
以上是“Python3如何利用urllib進(jìn)行簡單的網(wǎng)頁抓取”這篇文章的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道！
