10- python 网络爬虫分析

Python 网络爬虫简单分析

---

import urllib2
response = urllib2.urlopen("http://www.baidu.com")
print response.read()

我们下面开始分析代码

response = urllib2.urlopen("http://www.baidu.com")

这里我们利用的是urllib2库中的urlopen方法，这里可以知道这是一个http协议的网址，urlopen一般接受三个参数，它的参数如下：

urlopen(url, data, timeout)

第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。

第二三个参数是可以不传送的，data默认为空None，timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT

第一个参数URL是必须要传送的，这里我们传送了百度的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。

print response.read()

response对象有一个read方法，可以返回获取到的网页内容。

如果不加read直接打印会是什么？答案如下：

<addinfourl at 40798248 whose fp = <socket._fileobject object at 0x029A29B0>> 

这里如果不加read方法的话，打印出来的就是对该对象的描述。

其实上面的urlopen是可以传入request请求的

上面是一个简单的获取网络信息的一个爬虫例子。

下面是一个简单的糗事百科爬虫的脚本，来练习下库的使用。

import urllib
import re

head = 0
n = 1
while n < 10:
    page = n
    url = 'http://www.qiushimm.com/page/' + str(page)
    def getHtml(url):
        page = urllib.urlopen(url)
        html = page.read()
        return html

    def getImg(html):
        reg = r'src="(.+?.jpg)"'
        imgre = re.compile(reg)
        imglist = re.findall(imgre,html)
        x = head
        for imgurl in imglist:
            urllib.urlretrieve(imgurl,'%s.jpg' % x)
            x+=1
    html = getHtml(url)
    print getImg(html)
    n = n+1
    head = head + 10