爬蟲簡介

      根據(jù)百度百科定義：網(wǎng)絡(luò)爬蟲（又被稱為網(wǎng)頁蜘蛛，網(wǎng)絡(luò)機器人，在FOAF社區(qū)中間，更經(jīng)常的稱為網(wǎng)頁追逐者），是一種按照一定的規(guī)則，自動地抓取萬維網(wǎng)信息的程序或者腳本。另外一些不常使用的名字還有螞蟻、自動索引、模擬程序或者蠕蟲。     

隨著大數(shù)據(jù)的不斷發(fā)展，爬蟲這個技術(shù)慢慢走入人們的視野，可以說爬蟲是大數(shù)據(jù)應(yīng)運而生的產(chǎn)物，至少我解除了大數(shù)據(jù)才了解到爬蟲這一技術(shù)

隨著數(shù)據(jù)的海量增長，我們需要在互聯(lián)網(wǎng)上選取所需要的數(shù)據(jù)進行自己研究的分析和實驗。這就用到了爬蟲這一技術(shù)，下面就跟著小編一起初遇python爬蟲！

一、請求-響應(yīng)

在利用python語言實現(xiàn)爬蟲時，主要用到了urllib和urllib2兩個庫。首先用一段代碼說明如下：

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

我們知道一個網(wǎng)頁就是以html為骨架，js為肌肉，css為衣服所構(gòu)成的。上述代碼所實現(xiàn)的功能就是把百度網(wǎng)頁的源碼爬取到本地。

其中，url為要爬取的網(wǎng)頁的網(wǎng)址；request發(fā)出請求，response是接受請求后給出的響應(yīng)。最后用read（）函數(shù)輸出的就是百度網(wǎng)頁的源碼。

二、GET-POST

兩者都是向網(wǎng)頁傳遞數(shù)據(jù)，最重要的區(qū)別是GET方式是直接以鏈接形式訪問，鏈接中包含了所有的參數(shù)，當然如果包含了密碼的話是一種不安全的選擇，不過你可以直觀地看到自己提交了什么內(nèi)容。

POST則不會在網(wǎng)址上顯示所有的參數(shù)，不過如果你想直接查看提交了什么就不太方便了，大家可以酌情選擇。

POST方式：

 import urllib
 import urllib2
 values={'username':'2680559065@qq.com','Password':'XXXX'}
 data=urllib.urlencode(values)
 url='https://passport.csdn.net/account/login?from=http://my.csdn.net/my/mycsdn'
 request=urllib2.Request(url,data)
 response=urllib2.urlopen(request)
 print response.read()

GET方式：

import urllib
import urllib2
values={'username':'2680559065@qq.com','Password':'XXXX'}
data=urllib.urlencode(values)
url = "http://passport.csdn.net/account/login"
geturl = url + "?"+data
request=urllib2.Request(geturl)
response=urllib2.urlopen(request)
print response.read()

三、異常處理

處理異常時，用到了try-except語句。

import urllib2
 try:
   response=urllib2.urlopen("http://www.xxx.com")
 except urllib2.URLError,e:
   print e.reason

總結(jié)

以上所述是小編給大家介紹的python爬蟲基本知識，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！

最新評論