Python爬虫教程-02-使用urlopen

2019年4月19日 260次阅读 来源: NicePython

Spider-02-使用urlopen

做一个最简单的python爬虫，使用爬虫爬取：智联招聘某招聘信息的DOM

urllib

包含模块

  • urllib.request：打开和读取urls
  • urllib.error：包含urllib.request产生的常见错误，使用try捕捉
  • urllib.parse：包含解析url的方法
  • urllib.robotparse：解析robots.txt文件

robots：机器人协议，放在网站的开头，供给爬虫读取，当爬虫读到robots之后，就知道那些是允许爬取的数据，哪些是禁止爬取的数据

（爬虫道德问题：1.不许过频繁爬取 2.不许爬取禁止内容）

原文：

https://blog.csdn.net/qq_40147863/article/details/81434882​ blog.csdn.net

案例v1

  • 使用PyCharm开发工具，配置python解释器，创建python文件）
   # py01v1.py
   from urllib import request

   # 使用urllib.request请求一个网页的内容，并把内容打印出来
   if __name__ == '__main__':

       # 定义需要爬的页面
       url = "https://jobs.zhaopin.com/CC375882789J00033399409.htm"
       # 打开相应url并把页面作为返回
       rsp = request.urlopen(url)
       # 按住Ctrl键不送，同时点击urlopen，可以查看文档，有函数的具体参数和使用方法

       # 把返回结果读取出来
       html = rsp.read()

       print(html)

上面简单几行代码就可以爬取页面的HTML代码了

右键运行，截图如下

《Python爬虫教程-02-使用urlopen》
《Python爬虫教程-02-使用urlopen》

但是，我们爬取到的代码是不能自行显示中文的，需要解码处理

   # py02v1.py
   from urllib import request

   if __name__ == '__main__':

       url = "https://jobs.zhaopin.com/CC375882789J00033399409.htm"
       rsp = request.urlopen(url)
       # 按住Ctrl键不送，同时点击urlopen，可以查看文档，有函数的具体参数和使用方法

       html = rsp.read()
       # 解码
       html = html.decode()

       print(html)

解码后效果：

《Python爬虫教程-02-使用urlopen》
《Python爬虫教程-02-使用urlopen》

恭喜你，最简单的爬虫就已经学会啦！

如果运行失败，可能是

1.【爬取的连接失效】，更换最新的地址就可以了

2.【Python环境问题】，这里不做仔细介绍，请自行【百度】解决，也可联系小编

    原文作者：NicePython
    原文地址: https://zhuanlan.zhihu.com/p/62246879
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞