快捷導(dǎo)航

python 網(wǎng)絡(luò)爬蟲(chóng)初級(jí)實(shí)現(xiàn)代碼

更新時(shí)間：2016年02月27日 23:05:32 作者：ACdreamers

這篇文章主要介紹了python 網(wǎng)絡(luò)爬蟲(chóng)初級(jí)實(shí)現(xiàn)代碼,需要的朋友可以參考下

首先，我們來(lái)看一個(gè)Python抓取網(wǎng)頁(yè)的庫(kù)：urllib或urllib2。

那么urllib與urllib2有什么區(qū)別呢？
可以把urllib2當(dāng)作urllib的擴(kuò)增，比較明顯的優(yōu)勢(shì)是urllib2.urlopen()可以接受Request對(duì)象作為參數(shù)，從而可以控制HTTP Request的header部。
做HTTP Request時(shí)應(yīng)當(dāng)盡量使用urllib2庫(kù)，但是urllib.urlretrieve()函數(shù)以及urllib.quote等一系列quote和unquote功能沒(méi)有被加入urllib2中，因此有時(shí)也需要urllib的輔助。

urllib.open()這里傳入的參數(shù)要遵循一些協(xié)議，比如http，ftp，file等。例如：

urllib.open('http://www.baidu.com')
urllib.open('file:D\Python\Hello.py')

現(xiàn)在有一個(gè)例子，下載一個(gè)網(wǎng)站上所有g(shù)if格式的圖片。那么Python代碼如下：

import re
import urllib

def getHtml(url):
 page = urllib.urlopen(url)
 html = page.read()
 return html

def getImg(html):
 reg = r'src="(.*?\.gif)"'
 imgre = re.compile(reg)
 imgList = re.findall(imgre,html)
 print imgList
 cnt = 1
 for imgurl in imgList:
  urllib.urlretrieve(imgurl,'%s.jpg' %cnt)
  cnt += 1

if __name__ == '__main__':
 html = getHtml('http://www.baidu.com')
 getImg(html)

根據(jù)上面的方法，我們可以抓取一定的網(wǎng)頁(yè)，然后提取我們所需要的數(shù)據(jù)。

實(shí)際上，我們利用urllib這個(gè)模塊來(lái)做網(wǎng)絡(luò)爬蟲(chóng)效率是極其低下的，下面我們來(lái)介紹Tornado Web Server。
Tornado web server是使用Python編寫(xiě)出來(lái)的一個(gè)極輕量級(jí)、高可伸縮性和非阻塞IO的Web服務(wù)器軟件，著名的Friendfeed網(wǎng)站就是使用它搭建的。Tornado跟其他主流的Web服務(wù)器框架（主要是Python框架）不同是采用epoll非阻塞IO，響應(yīng)快速，可處理數(shù)千并發(fā)連接，特別適用用于實(shí)時(shí)的Web服務(wù)。

用Tornado Web Server來(lái)抓取網(wǎng)頁(yè)效率會(huì)比較高。
從Tornado的官網(wǎng)來(lái)看，還要安裝backports.ssl_match_hostname，官網(wǎng)如下：

http://www.tornadoweb.org/en/stable/

import tornado.httpclient

def Fetch(url):
 http_header = {'User-Agent' : 'Chrome'}
 http_request = tornado.httpclient.HTTPRequest(url=url,method='GET',headers=http_header,connect_timeout=200,request_timeout=600)
 print 'Hello'
 http_client = tornado.httpclient.HTTPClient()
 print 'Hello World'

 print 'Start downloading data...'
 http_response = http_client.fetch(http_request)
 print 'Finish downloading data...'

 print http_response.code

 all_fields = http_response.headers.get_all()
 for field in all_fields:
  print field

 print http_response.body

if __name__ == '__main__':
 Fetch('http://www.baidu.com')

urllib2的常見(jiàn)方法：

（1）info() 獲取網(wǎng)頁(yè)的Header信息

（2）getcode() 獲取網(wǎng)頁(yè)的狀態(tài)碼

（3）geturl() 獲取傳入的網(wǎng)址

（4）read() 讀取文件的內(nèi)容

您可能感興趣的文章: