python 爬虫（一）

1. 一次简单的网页访问

urllib 是一个标准的python库（意味着不需要安装任何附件的东西来运行这个demo），包含了通过网络请求数据的方法，处理cookies，甚至更改metadata比如headers和用户代理。

urlopen 这个方法用来通过网络访问远程数据，就是发送一个get请求到制定的url地址。

from urllib.request import urlopen
html = urlopen('http://pythonscraping.com/pages/page1.html')
print(html.read())

2. BeautifulSoup的简单介绍

    这个模块是一个html/xml解析器，它可以很好的处理不规范标记并生成剖析树。

   I  installing BeautifulSoup  

       linux：apt-get install python-bs4  或者 pip install beautifulsoup4

   II 在这个模块（bs4）中BeautifulSoup是最常用的

from urllib.request import urlopen
from bs4 import BeautifulSoup

html = urlopen("http://www.pythonscraping.com/pages/page1.html")
bsobj = BeautifulSoup(html.read(), 'html.parser')
print(bsobj.h1)

#输出：<h1>An Interesting Title</h1>

 3. 异常处理

   I 在服务上没有找到请求的地址 一个http error错误会被返回 这个错误可能是 404 page  not found 500 Internal server Error 这些所有的情况urlopen方法会抛出异常HTTPError

try:
    html = urlopen("http://www.pythonscraping.com/exercises/exercise1.html")
except HTTPError as e:
    print(e)
     #return null,break or do some other 'plan B'
else:
    #program continues

   II 服务没有找到,urlopen会返回None

if html is None:
    print("URL is not found")
else:
    #program continues

一个捕获各种异常的写法：

from urllib.request import urlopen
from urllib.error import HTTPError
from bs4 import BeautifulSoup
def getTitle(url):
　　try:
　　　　html = urlopen(url)
　　except HTTPError as e:
　　　　return None
　　try:
　　　　bsObj = BeautifulSoup(html.read())
　　　　title = bsObj.body.h1
　　except AttributeError as e:
　　　　return None
　　return title
title = getTitle("http://www.pythonscraping.com/exercises/exercise1.html")
if title == None:
　　print("Title could not be found")
else:
　　print(title)