欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

01Python爬虫---快速使用Urllib爬取网页

程序员文章站 2022-03-02 20:25:55
...

环境使用python3.5

import urllib.request  # 导入模块

一、采用获取网页信息,然后再写入文件中

1、将获取的网页信息
file = urllib.request.urlopen("http://www.baidu.com")
data = file.read()  # 读取网页全部内容   赋值给一个字符串变量
dataline = file.readline()  # 读取网页一行内容  赋值给列表变量
print(dataline)
print(data)


2、将获取的网页保存到本地
fhandle = open("/home/zyb/crawler/myweb/part4/1.html","wb")  # 打开以写入模式打开1.html
fhandle.write(data)  # 将获取的data数据写入 文件中
fhandle.close()  #关闭文件

二、将网页写入本地文件

1、利用urllib.request.urlretrieve(url, filename = 本地文件地址)
filename = urllib.request.urlretrieve("http://edu.51cto.com",filename="/home/zyb/crawler/myweb/part4/2.html")
2、urlretrieve执行过程中会产生缓存所以需要清除使用urlcleanup()进行清除
urllib.request.urlcleanup()

三、urllib一些常见用法

1、爬取的网页.info()

返回当前环境的相关信息,info()返回

file.info() 
"""
Date: Mon, 18 Dec 2017 15:14:32 GMT
Content-Type: text/html; charset=utf-8
Transfer-Encoding: chunked
Connection: Close
Vary: Accept-Encoding
Set-Cookie: BAIDUID=D79E4E0D7CE07FA007BE2425E09D89BC:FG=1; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com
Set-Cookie: BIDUPSID=D79E4E0D7CE07FA007BE2425E09D89BC; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com
Set-Cookie: PSTM=1513610072; expires=Thu, 31-Dec-37 23:55:55 GMT; max-age=2147483647; path=/; domain=.baidu.com
Set-Cookie: BDSVRTM=0; path=/
Set-Cookie: BD_HOME=0; path=/
Set-Cookie: H_PS_PSSID=145821079170012517720719; path=/; domain=.baidu.com
P3P: CP=" OTI DSP COR IVA OUR IND COM "
Cache-Control: private
Cxy_all: baidu+8158bfec4d91e0dabf81725c2629dc8e
Expires: Mon, 18 Dec 2017 15:14:03 GMT
X-Powered-By: HPHP
Server: BWS/1.1
X-UA-Compatible: IE=Edge,chrome=1
BDPAGETYPE: 1
BDQID: 0xbd42c81600029cd3
BDUSERID: 0
"""
2、爬取的网页..getcode()

爬取网页的状态

file.getcode()  

# 200
3、爬取的网页.geturl()

爬取网页的链接

file.geturl() 
# http://www.baidu.com
4、urllib.request.quote()

如果在URL中输入中文或者”:”或者”&”等不符合标准的字符时,需要编码时使用

urllib.request.quote()

url = urllib.request.quote("http://www.sina.com.cn")

print(url)

# http%3A//www.sina.com.cn
5、urllib.request.unquote()

当需要解码时使用

urllib.request.unquote()

url = urllib.request.unquote("http://www.sina.com.cn")

print(url)

# http://www.sina.com.cn
相关标签: 爬虫 python