python 中常用的爬虫模块——有错误的地方请大家指正

wyft5t5

1、urllib —— 这其实是一个包，里边有四个模块，只有一个比较常用，安装方法 pip install urllib

2、下边是编码举例：
——————————————————————————————————————————————————————————
import urllib.request as a # 导入这个比较常用的模块，模块里就一个方法（函数）比较常用
b=a.urlopen("https://fishc.com.cn/forum.php")#通过这个方法打开，读取到网页路径，实现对目标url的访问
c=b.read()#读取网页的内容，此时读取到的网页是以utf-8编码的bytes对象，一般看不懂
print (c)
print (type(c))#此时格式：<class 'bytes'>

d=c.decode("utf-8","ignore")
# 将其解码，变成unicode格式的编码，我们可以看懂
# 这里有一个需要注意的问题很多网页的编码不是utf-8的，使用ignore可以忽略其他的编码格式
# 比如我们这个网页的编码就是 charset=gbk，此时我们可以看到网页能打印出来，但是所有的中文都变成了乱码
# 所以我们这个定义的正确方法是d=c.decode("gbk","ignore")
# 注意：不能写成 d=c.decode("utf-8","gbk","ignore") ，"utf-8"和"gbk"不能同时使用

print (d)
print (type(d))#此时格式：<class 'str'>

wyft5t5

上边的例子，我想将c里边的内容遍历出来，所以做了如下操作：

1. import urllib.request as a
   
2. b=a.urlopen("https://fishc.com.cn/forum.php")
   
3. c=b.read()
   
4. for s in c:
   
5.     print (s)
   
6. print (type(s))

复制代码

但是打印的结果：
60
33
68
79
67
……
47
104
116
109
108
62
<class 'int'>

遍历出来的 S 为啥会是一堆数字啊？？？是每一个字母，符号所代表的ASKII码吗？

wyft5t5

我想让爬取到的网页，自动判断一次，看看是UTF-8 ， 还是GBK。然后分别套用不同的 decode 参数，该怎么处理呢？

wyft5t5

将爬取的数据导出到一个txt文本上

1. import urllib.request as a
   
2. b=a.urlopen("https://fishc.com.cn/forum.php")
   
3. c=b.read()
   
4. d=c.decode("gbk","ignore")
   
5. print (c)
   
6. print(type(c))#c的格式是<class 'bytes'>
   
7. with open("小甲鱼.txt",'wb') as f:
   
8.     f.write(c)

复制代码

注意两件事：

1、将print (c)  得到的结果，跟f.write(c)对比会发现二者明显不同；
     f.write(c) 的结果跟 d=c.decode("gbk","ignore") 相同

2、f.write(d) 会报错，经过.decode转变后无法导出到文件，不知道为啥

wyft5t5

from urllib.parse import urlencode#将中文解码，正常在爬取时，无法识别中文

1. from urllib.parse import urlencode#将中文解码，正常在爬取时，无法识别中文
   
2. def book(a,b):
   
3.     a=a.rstrip()#.rstrip()——去掉右边的空格
   
4.     c={"keyword":b}#将b包装成一个字典
   
5.     d=(a+"search.php?")+urlencode(c)#urlencode将字典里的值解码成一个计算机识别的格式，人识别不了
   
6.     return d
   
7. 
   
8. x=input("请输入网址：")
   
9. y=input("请输入书名：")
   
10. z=book(x,y)
    
11. print(z)

复制代码

wyft5t5

requests模块是用于第一步获取HTML页面信息； requests库用于爬取HTML页面，提交网络请求，基于urllib,但比urllib更方便；

requests.get():
获取HTML网页的主要方法，对应于HTTP的GET

https://www.cnblogs.com/ranxf/p/7808537.html
____________________________________________________________________

用pip install requests 命令安装 requests模块时，没有安装成功。

可以用一下清华镜像
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple requests

____________________________________________________________________

1. import requests
   
2. a = requests.get("https://movie.douban.com/top250")
   
3. b=a.content
   
4. c=a.text
   
5. print(a)#结果是<Response [200]>
   
6. print(type(a))#结果是<class 'requests.models.Response'>
   
7. print (b)#结果是给电脑看的编码
   
8. print(type(b))#结果是<class 'bytes'>
   
9. print (c)#结果是网站的完整编码，给人看的
   
10. print(type(c))#结果是<class 'str'>
    

复制代码

wyft5t5

Beautiful Soup模块

https://www.jianshu.com/p/26a3632796dd

https://www.jb51.net/article/166356.htm

https://cuiqingcai.com/5548.html

https://www.jb51.net/article/149247.htm

wyft5t5

urllib.request 和 requests对比
建议使用requests

https://blog.csdn.net/qq_38783948/article/details/88239109

lhr123

学习