python3.5爬虫基础urllib实例

python3.5不同于python2.7，在python3.5中，编写爬虫小程序，需要安装模块urllib下的request和parse类

小程序1：编写脚本，用来实现抓取百度贴吧指定页面

import urllib.parse     #主要用来解析url
import urllib.request    #主要用于打开和阅读url
import os,re
import urllib.error      #用于错误处理

print("模拟抓取百度贴吧python和java页面,并写入指定路径文件")

def tieba_baidu(url,l):
    #伪装成浏览器
    header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/43.0.235'}
    for i in range(len(l)):
        file_name="G:/test/"+l[i]+".html"
        print("正在下载"+l[i]+"页面，并保存为"+file_name)
        m=urllib.request.urlopen(url+l[i],headers=header).read()
        with open(file_name,"wb") as file:
            file.write(m)

if __name__=="__main__":
    url="http://tieba.baidu.com/f?kw="
    l_tieba=["python","java","c#"]
    tieba_baidu(url,l_tieba)

小程序二：爬取指定页面指定格式的文件（本例子爬取指定页面的jpg文件）

print("爬取指定页面的jp格式的文件")
def baidu_tieba(url,l):
    """
    根据传入的地址和关键字列表进行图片抓取
    """
    for i in range(len(l)):
        count=1
        file_name="G:/test/"+l[i]+".html"
        print("正在下载"+l[i]+"页面，并保存为"+file_name)
        m=urllib.request.urlopen(url+l[i]).read()
        #创建目录保存每个网页上的图片
        dirpath="G:/test/"
        dirname=l[i]
        new_path=os.path.join(dirpath,dirname)
        if not os.path.isdir(new_path):
            os.makedirs(new_path)

        page_data=m.decode()
        page_image=re.compile('<img src="(.+?)"')    #匹配图片的pattern
        for image in page_image.findall(page_data):#page_image.findall(page_data)用正则表达式匹配所有的图片
            pattern=re.compile(r'http://.*.jpg$')   #匹配jpg格式的文件
            if pattern.match(image):      #如果匹配，则获取图片信息，若不匹配，进行下一个页面的匹配
                try:
                    image_data=urllib.request.urlopen(image).read()    #获取图片信息
                    image_path=dirpath+dirname+"/"+str(count)+".jpg"   #给图片命名
                    count+=1
                    print(image_path)   #打印图片路径
                    with open(image_path,"wb") as image_file:
                        image_file.write(image_data)                     #将图片写入文件
                except urllib.error.URLError as e:
                    print("Download failed")
            with open(file_name,"wb") as file:    #将页面写入文件
                file.write(m)

if __name__=="__main__":
    url="http://tieba.baidu.com/f?kw="
    l_tieba=["python","java","c#"]
    baidu_tieba(url,l_tieba)

 注：

1、要爬取某个页面的文件，必须用urllib.request.urlopen打开页面的连接，并用read方法读取页面的html内容

2、要爬取某些具体内容，必须分析该页面对应的html代码，找到需爬取内容所在位置的标签，利用正则表达式获取标签

3、浏览器伪装：为了防止有些网站拒绝爬虫，我们需要伪装成浏览器来实现页面的爬取，即需要添加头部文件来伪装成浏览器

header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/43.0.235'}

4、规范：爬取的内容尽量写入到某个文件，如果直接打印在控制台，影响阅读效果；

5、致谢：上文小例子亲测通过，但具体思路借鉴某位大神，但是地址找不到了，无法分享给大家~