关于python:Python爬虫入门-怎么用Python扒网页基本流程是什么

Python爬虫网页的根本流程：

首先选取一部分精心筛选的种子URL。

将这些URL放入待抓取URL队列。

从待抓取URL队列中读取待抓取队列的URL，解析DNS，并且失去主机的IP，并将URL对应的网页下载下来，存储进已下载网页库中。此外，将这些URL放进已抓取URL队列。

剖析已抓取URL队列中的URL，从已下载的网页数据中剖析出其余URL，并和已抓取的URL进行比拟去重，最初将去重过的URL放入待抓取URL队列，从而进入下一个循环。

1、HTTP申请实现

应用urllib2/urllib实现：

urllib2和urllib是Python中的两个内置模块，要实现HTTP性能，实现形式是以urllib2为主，urllib为辅。

urllib2提供一个根底函数urlopen，通过向指定的URL发出请求来获取数据。最简略的模式是：

import urllib2
response=urllib2.urlopen('http://www.zhihu.com')
html=response.read()
print html

其实能够将上面对http://www.zhihu.com的申请响应分为两步，一步是申请，一步是响应，模式如下：

import urllib2

# 申请

request=urllib2.Request('http://www.zhihu.com')

# 响应

response = urllib2.urlopen(request)

html=response.read()

print html

还有post申请实现：

import urllib
import urllib2
url = 'http://www.xxxxxx.com/login'
postdata = {'username' : 'qiye',
    'password' : 'qiye_pass'}
# info 须要被编码为urllib2能了解的格局，这里用到的是urllib
data = urllib.urlencode(postdata)
req = urllib2.Request(url, data)
response = urllib2.urlopen(req)
html = response.read()

将下面的例子改写一下，加上申请头信息，设置一下申请头中的User-Agent域和Referer域信息。2、申请头headers解决

import urllib
import urllib2
url = 'http://www.xxxxxx.com/login'
user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
referer='http://www.xxxxxx.com/'
postdata = {'username' : 'qiye',
    'password' : 'qiye_pass'}
# 将user_agent,referer写入头信息
headers={'User-Agent':user_agent,'Referer':referer}
data = urllib.urlencode(postdata)
req = urllib2.Request(url, data,headers)
response = urllib2.urlopen(req)
html = response.read()

urllib2对Cookie的解决也是主动的，应用CookieJar函数进行Cookie的治理。如果须要失去某个Cookie项的值，能够这么做：3、Cookie解决

import urllib2

import cookielib

cookie = cookielib.CookieJar()

opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))

response = opener.open('http://www.zhihu.com')

for item in cookie:

    print item.name+':'+item.value

然而有时候会遇到这种状况，咱们不想让urllib2主动解决，咱们想本人增加Cookie的内容，能够通过设置申请头。

import  urllib2

opener = urllib2.build_opener()

opener.addheaders.append( ( 'Cookie', 'email=' + "xxxxxxx@163.com" ) )

req = urllib2.Request( "http://www.zhihu.com/" )

response = opener.open(req)

print response.headers

retdata = response.read()

无论如何，最初非常感谢大家点击观看我的文章，如过对你有帮忙烦请抬抬小手给小编点点赞。有任何问题或者须要文章内的材料能够后盾私信我，欢送“骚扰”。