【Python3 爬虫】01_简单页面抓取

运行平台：Winodows 10

Python版本：Python 3.4.2

IDE：Sublime text3

网络爬虫

网络爬虫，也叫网络蜘蛛(Web Spider)，如果把互联网比喻成一个蜘蛛网，Spider就是一只在网上爬来爬去的蜘蛛。网络爬虫就是根据网页的地址来寻找网页的，也就是URL。举一个简单的例子，我们在浏览器的地址栏中输入的字符串就是URL，例如：https://www.baidu.com/

URL就是统一资源定位符(Uniform Resource Locator)，遵守以下语法规则：

scheme://host.domain:port/path/filename

解释：

scheme - 定义因特网服务的类型。最常见的类型是 http
host - 定义域主机（http 的默认主机是 www）
domain - 定义因特网域名，比如 baidu.com
:port - 定义主机上的端口号（http 的默认端口号是 80）
path - 定义服务器上的路径（如果省略，则文档必须位于网站的根目录中）。
filename - 定义文档/资源的名称

第一个爬虫

爬虫例子

我们以爬取163首页为例子（网址：http://www.163.com/）

#-*- coding:utf-8 -*-
"""
Author  :OLIVER
Date    :2018-03-22
Describe:简单爬虫
"""
from urllib import request

if __name__=="__main__":
	response = request.urlopen("http://www.163.com/")
	html = response.read()
	print(html)

urllib使用使用request.urlopen()打开和读取URLs信息，返回的对象response如同一个文本对象，我们可以调用read()，进行读取。再通过print()，将读到的信息打印出来。

运行程序ctrl+B，可以在Sublime中查看运行结果，如下：

这些信息就是浏览器接受到的信息，只不过我们在看浏览器内容的时候，浏览器对这些内容进行了转换，让我们看着更舒服

或许你从上面可以看出，虽然我们已经成功获取了信息，但是这些信息都是二进制的，看起来很不方便，那么我们如何处理呢？

我们可以通过decode()命令将网页的信息进行解码，并显示出来

首先，我们查看网页的源码，查看原本网页编码格式

我们看到是GBK,那接下来我们开始转码

转码后，我们看到得到的结果跟我们查看源码的结果是一致的

自动获取编码格式

获取有人觉得上述获取编码格式的方法太麻烦了，那么如何自动获取编码格式呢？

使用chardet类库即可

也可以直接在DOS窗口输入命令在线安装

自动获取编码格式代码示例

from urllib import request
import chardet

if __name__=="__main__":
	response = request.urlopen("http://www.163.com/")
	html = response.read()
	charset = chardet.detect(html)
	print(charset)

运行程序，输结果：

同时呢,加入我们现在有很多网页，那么我们不可能一一去看，我们在这就可以想到把这个第三方库封装为一个函数，然后遍历多个网页即可

下面是我封装遍历的一个例子：

# -*- coding:UTF-8 -*-

from urllib import request
import chardet

def auto_GetCharset(url):
    response = request.urlopen(url)
    html = response.read()
    charset = chardet.detect(html)
    value = charset['encoding']
    return value

"""
    定义一个列表，然后依次查看列表元素的编码格式
"""
Web_list = ["http://www.baidu.com/",
            "http://www.163.com/",
            "https://www.jd.com/",
            "https://www.youku.com/"]
for url in Web_list:
    charset = auto_GetCharset(url)
    print(url,charset)

运行结果

盲点

程序中我新增了__name__=="__main__"这段代码

解释：

__name__ 是当前模块名，当模块被直接运行时模块名为 __main__ 。这句话的意思就是，当模块被直接运行时，以下代码块将被运行，当模块是被导入时，代码块不被运行

例如：

我们现在有文件const.py

另外还存在一个计算和sm.py的文件

现在他导入模块const,并且也运行了const中的print语句了，我们在const中添加__name__=="__main__"

再次运行sm.py

已经不打印了