爬虫1_python2

# -*- coding: UTF-8 -*-
# python2爬虫
import urllib

f = urllib.urlopen("http://www.itcast.cn/")
print f.readline()  # 读取html页面的第一行
print f.read()  # ，读取源代码，该网址源代码为utf-8格式
# read(),readline(),readlines(),fileno(),close(),这些使用方法与文件对象完全一样
print f.info()  # 获取网页所在服务器的头部信息
print f.getcode()  # 获取网页状态码
print f.geturl()  # 返回请求的url
f.close()  # 打开文件后，记得一定关闭防止内存没有回收，后果不堪回想

print urllib.urlopen('http://www.itcast.cn/23644657dafhgsg').getcode()
# 网页状态码
# 200正常访问 301重定向
# 302临时重定向（不常见） 404网页不存在 403禁止访问  500服务器忙，无响应，过会才行
# HTTP权威指南，专门介绍http协议，Web开发和服务器端开发方向必备

url = 'http://www.163.com/'
html = urllib.urlopen(url)  # 打开网页
print html.read().decode('gbk').encode('utf-8')  # 该网址源代码格式是gb2312，全部统一成gbk，然后再转化为utf-8格式
print html.read().decode('gbk','ignore').encode('utf-8')#当一些小网站编码混乱不规范时，可用'ignore'来帮助解决
# 总结
# urllib 简单易用的抓取模块
# urllib.urlopen()方法，获得类文件对象
# read()读取文件内容
# info()获取网页Header信息
# getcode()获取网页状态码
# geturl()获取传入的网址url

f = urllib.urlopen('http://i1.szhomeimg.com/n/2014/02/02/0202002423269.JPG')
print f.getcode()  # 查看是否能打开
print f.readline()  # 图片的内容看不懂
f.close()
# urlretrieve方法将url定位到的html文件下载到你的本地硬盘中。如果不指定filename，则会存为临时文件。
urllib.urlretrieve('http://i1.szhomeimg.com/n/2014/02/02/0202002423269.JPG', filename='D:pachongworm1.jpg')
url = "http://www.itcast.cn/"
urllib.urlretrieve(url, 'D:\pachong\download.txt')  # 网页抓取，下载网页(也可以将txt格式转成html)
urllib.urlretrieve(url, 'D:\pachong\download.html')