python網絡爬蟲初級實現代碼

來源：懂視網責編：小采時間：2020-11-27 14:35:18

python網絡爬蟲初級實現代碼

python網絡爬蟲初級實現代碼:首先，我們來看一個Python抓取網頁的庫：urllib或urllib2。那么urllib與urllib2有什么區別呢？可以把urllib2當作urllib的擴增，比較明顯的優勢是urllib2.urlopen()可以接受Request對象作為參數，從而可以控制HTTP Request的header部。

推薦度：

點擊下載本文 文檔為doc格式

導讀python網絡爬蟲初級實現代碼:首先，我們來看一個Python抓取網頁的庫：urllib或urllib2。那么urllib與urllib2有什么區別呢？可以把urllib2當作urllib的擴增，比較明顯的優勢是urllib2.urlopen()可以接受Request對象作為參數，從而可以控制HTTP Request的header部。

首先，我們來看一個Python抓取網頁的庫：urllib或urllib2。

那么urllib與urllib2有什么區別呢？
可以把urllib2當作urllib的擴增，比較明顯的優勢是urllib2.urlopen()可以接受Request對象作為參數，從而可以控制HTTP Request的header部。
做HTTP Request時應當盡量使用urllib2庫，但是urllib.urlretrieve()函數以及urllib.quote等一系列quote和unquote功能沒有被加入urllib2中，因此有時也需要urllib的輔助。

urllib.open()這里傳入的參數要遵循一些協議，比如http，ftp，file等。例如：

urllib.open('http://www.baidu.com')
urllib.open('file:DPythonHello.py')

現在有一個例子，下載一個網站上所有gif格式的圖片。那么Python代碼如下：

import re
import urllib

def getHtml(url):
 page = urllib.urlopen(url)
 html = page.read()
 return html

def getImg(html):
 reg = r'src="(.*?.gif)"'
 imgre = re.compile(reg)
 imgList = re.findall(imgre,html)
 print imgList
 cnt = 1
 for imgurl in imgList:
 urllib.urlretrieve(imgurl,'%s.jpg' %cnt)
 cnt += 1

if __name__ == '__main__':
 html = getHtml('http://www.baidu.com')
 getImg(html)

根據上面的方法，我們可以抓取一定的網頁，然后提取我們所需要的數據。

實際上，我們利用urllib這個模塊來做網絡爬蟲效率是極其低下的，下面我們來介紹Tornado Web Server。
Tornado web server是使用Python編寫出來的一個極輕量級、高可伸縮性和非阻塞IO的Web服務器軟件，著名的Friendfeed網站就是使用它搭建的。Tornado跟其他主流的Web服務器框架（主要是Python框架）不同是采用epoll非阻塞IO，響應快速，可處理數千并發連接，特別適用用于實時的Web服務。

用Tornado Web Server來抓取網頁效率會比較高。
從Tornado的官網來看，還要安裝backports.ssl_match_hostname，官網如下：

http://www.tornadoweb.org/en/stable/

import tornado.httpclient

def Fetch(url):
 http_header = {'User-Agent' : 'Chrome'}
 http_request = tornado.httpclient.HTTPRequest(url=url,method='GET',headers=http_header,connect_timeout=200,request_timeout=600)
 print 'Hello'
 http_client = tornado.httpclient.HTTPClient()
 print 'Hello World'

 print 'Start downloading data...'
 http_response = http_client.fetch(http_request)
 print 'Finish downloading data...'

 print http_response.code

 all_fields = http_response.headers.get_all()
 for field in all_fields:
 print field

 print http_response.body

if __name__ == '__main__':
 Fetch('http://www.baidu.com')

urllib2的常見方法：

（1）info() 獲取網頁的Header信息

（2）getcode() 獲取網頁的狀態碼

（3）geturl() 獲取傳入的網址

（4）read() 讀取文件的內容

聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com