Python抓取中文网页
来源:互联网 发布:ubuntu tar 解压命令 编辑:程序博客网 时间:2024/05/21 06:30
早就有想法把博客每天的访问流量记下来,刚好现在申请了GAE的应用,又开始学Python,正好拿这个练手。打算先利用Python把访问记录保存在本地,熟悉之后可以部署到GAE,利用GAE提供的cron就可以每天更近访问流量了。OK,开始~
首先是简单的网页抓取程序:
import sys, urllib2 req = urllib2.Request("http://blog.csdn.net/nevasun") fd = urllib2.urlopen(req) while True: data = fd.read(1024) if not len(data): break sys.stdout.write(data) import sys, urllib2req = urllib2.Request("http://blog.csdn.net/nevasun")fd = urllib2.urlopen(req)while True:data = fd.read(1024)if not len(data):breaksys.stdout.write(data)
在终端运行提示urllib2.HTTPError: HTTP Error 403: Forbidden,怎么回事呢?
这是由于网站禁止爬虫,可以在请求加上头信息,伪装成浏览器访问。添加和修改:
headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'} req = urllib2.Request("http://blog.csdn.net/nevasun", headers=headers) headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}req = urllib2.Request("http://blog.csdn.net/nevasun", headers=headers)
再试一下,HTTP Error 403没有了,但是中文全都是乱码。又是怎么回事?
这是由于网站是utf-8编码的,需要转换成本地系统的编码格式:
import sys, urllib2 headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'} req = urllib2.Request("http://blog.csdn.net/nevasun", headers=headers) content = urllib2.urlopen(req).read() # UTF-8 type = sys.getfilesystemencoding() # local encode format print content.decode("UTF-8").encode(type) # convert encode format import sys, urllib2headers = {'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}req = urllib2.Request("http://blog.csdn.net/nevasun", headers=headers)content = urllib2.urlopen(req).read() # UTF-8type = sys.getfilesystemencoding() # local encode formatprint content.decode("UTF-8").encode(type) # convert encode format
OK,大功告成,可以抓取中文页面了。下一步就是在GAE上做个简单的应用了~
- Python抓取中文网页
- Python抓取中文网页
- Python抓取中文网页
- Python抓取中文网页
- Python抓取中文网页
- python抓取中文网页乱码
- python抓取中文网页显示乱码问题
- python 网页抓取中的中文乱码问题解决
- Python抓取gb2312字符集网页中文乱码
- Python抓取gb2312字符集网页中文乱码
- Windows下Python抓取网页中文乱码解决办法
- python 解决抓取网页中的中文显示乱码问题
- 使用python抓取网页
- python抓取网页图片
- python 抓取网页代码
- [Python]网页信息抓取
- Python抓取网页
- Python抓取网页链接
- spring管理的hibernate事务不会自动flush的问题-今天真遇到这问题了
- Linux查看CPU和内存使用情况
- android截屏代码实现方法
- JS键盘监听事件的键盘码
- 根据图的度数判断图的连通性的Havel-Hakimi定理
- Python抓取中文网页
- mac 地址限制 DHCPD 配置
- Spring原理
- android 新闻图片加载,缓存处理
- 汉字在url上面的传递
- winform程序使textbox获得输入焦点
- Android代码片段
- C#操作读取excel数据
- 关于div居中的话题