Python轻量级爬虫教程-网页下载器
来源:互联网 发布:李玮 靠谱网络 编辑:程序博客网 时间:2024/06/04 19:01
爬虫简介:
抓取自己想要的的类别网页上的数据。
爬虫架构:
爬虫调度端
爬虫:URL管理器, 网页下载器,网页解析器
数据;
爬虫运行流程;
URL管理器: 管理待抓取URL集合和已抓取URL集合;
防止重复抓取,防止循环抓取;
URL管理器3种实现方式:
Python内存中set();
关系数据库中
缓存数据库中
网页下载器:
将URL对应网页HTML下载到本地
urllib2, requests;
urllib2: urllib2.urlpen(url)
urllib2下载网页方法1:最简单的方法
import urllib2
#直接请求
response = urllib2.urlopen('http://www.baidu.com')
#获取状态码,如果是200表示成功
print response.getcode()
#读取内容
cont = response.read()
urllib2 下载网页方法2: 添加data ,http header
import urllib2
request = urllib2.Request(url)
#添加数据
request.add_data('a', '1')
#添加http的header
request.add_header('User-Agent', 'Mozilla/5.0')
#发送请求获取结果
response = urllib2.urlopen(request)
urllib2下载网页方法3: 添加特殊情景的处理器
import urllib2, cookielib
#创建cookie容器
cj = cookielib.CookieJar()
#创建1个opener
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))
#给urllib2安装opener
urllib2.install_opener(opener)
#使用带有cookie的urllib2访问网页
response = urllib2.urlopen("http://www.baidu.com/")
print response.getcode()
#读取内容
cont = response.read()
#coding:utf8import urllib2import cookieliburl = "http://www.baidu.com/"print '第一种方法'response1 = urllib2.urlopen(url)print response1.getcode()print len(response1.read())print '第二种方法'request = urllib2.Request(url)request.add_header("user-agent", "Mozilla/5.0")response2 = urllib2.urlopen(request)print response2.getcode()print len(response2.read())print '第三种方法'cj = cookielib.CookieJar()opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))urllib2.install_opener(opener)response3 = urllib2.urlopen(url)print response3.getcode()print cjprint response3.read()
- Python轻量级爬虫教程-网页下载器
- Python轻量级爬虫教程-网页解析器
- Python爬虫之网页下载器网页解析器
- Python 轻量级爬虫
- [python][爬虫]从网页中下载图片
- python开发爬虫----urllib2下载网页方法
- 用python写网络爬虫-下载网页
- python 爬虫-1:下载网页源代码
- python轻量级爬虫的编写
- <Do it! Python> 轻量级爬虫
- 网络爬虫下载网页
- Python爬虫----网页下载器和urllib2模块及对应的实例
- python 网络爬虫(三) 多线程,gzip加速,网页下载
- 基于python利用爬虫爬取网页教程
- 基于python利用爬虫爬取网页教程
- Python爬虫基础-网页解析器-02
- Python网页爬虫
- 网页爬虫(Python)
- 会员卡使用常见问题解答
- 2017杭电多校联赛第二场-Funny Function (hdu6050)快速幂解数学方程
- ssh 隧道
- dm3730之支持Peripheral 启动系统
- mysql数据库中字段后面加一个字符串
- Python轻量级爬虫教程-网页下载器
- jstack 生成文件中的线程介绍(JVM 内部运行线程)
- 从ramdisk根文件系统启动Linux成功
- html list列表标签
- Angular2笔记(四)--模块
- java map按照value排序
- appium简明教程(3)——appium的安装windows版
- mac 开发环境搭建abc
- activity启动时间测试