简单的案例-爬取百度首页
1 from urllib import request
2 '''
3 爬取百度首页
4 '''
5 # 确定爬去目标
6 base_url = 'http://www.baidu.com'
7
8 # 发起http请求 返回一个类文件对象
9 response = request.urlopen(url=base_url)
10
11 # 获取相应内容
12 html = response.read()
13
14 # 把bytes类型转换成utf-8编码的字符串类型
15 html = html.decode('utf-8')
16
17 # 写入文件
18 with open('baidu.html','w',encoding='utf-8') as f:
19 f.write(html)
response = request.urlopen(url=base_url)
传入要爬取的网页的url,返回一个类文件对象,它可以像文件对象一样被操作。
请求地址url,一般使用http,不使用https。https有的时候返回内容读取后不是网页的html内容。
html = response.read()
response是一个类文件对象,通过read()读取,返回内容的编码格式是bytes类型。
python一般操作的都是字符串,将读取内容使用decode()进行编码。
html = resoonse.read().decode('utf-8')
decode('utf-8')设置编码格式为utf-8。这个编码是根据原网页的编码格式决定的。
decode()默认的编码格式为utf-8。
如果原网页的编码格式为gb2312,使用gbk编码格式也可以,引文gbk包含gbk2312。
with open('baidu.html',mode='w',encoding='utf-8') as f:
保存文件时,要指定编码格式。有时因为平台的不同,默认保存文件的编码格式不同。