Python学习之爬虫02-urllib库学习

Python学习之爬虫02-urllib库学习

练习案例：

爬取豆瓣阅读的所有出版社

#出版社爬取
import urllib.request
import re
data=urllib.request.urlopen("https://read.douban.com/provider/all").read().decode("utf-8")
pat='<div class="name">(.*?)</div>'
rst=re.compile(pat).findall(data)
fh=open("G:\\Python_Test\\urllib_test\\chubanshe.txt","w")
for i in range(0,len(rst)):
    print(rst[i])
    fh.write(rst[i]+"\n")
fh.close()

ps：看来不是每个网址的页面隔一段时间就会修改…这样写的一些爬虫就可以使用好久了…

urllib基础

1. urlretrieve()

   格式：urlretrieve(网址，本地文件存储地址)

   urlretrieve是urllib库下的request下面的一个方法，所以在使用的时候记得加上request.

   功能：直接下载将网页到本地，但是有些后续请求的内容下载不了。

   import urllib.request
   #urlretrieve(网址,本地文件存储地址) 直接下载网页到本地
   urllib.request.urlretrieve("http://www.baidu.com","G:\\Python_Test\\urllib_test\\daidu.html")
   

2. urlcleanup()

   清除爬虫产生的缓存。

   urlcleanup是urllib库下的request下面的一个方法，所以在使用的时候记得加上request.

   使用：直接调用，但是看不到实际的输出

   import urllib.request
   urllib.request.urlcleanup()
   

3. info()

   可以提示当前爬取的相应的情况

   info是urllib库下的request下面的一个方法，所以在使用的时候记得加上request.

   import urllib.request
   #看网页相应的简介信息info()
   file=urllib.request.urlopen("https://read.douban.com/provider/all")
   print(file.info())
   

   

4. getcode()

   输出当前的状态码（访问成功，访问失败，访问失败的原因等等）（正常是200，失败时500，还有一些其他的，比如301等等，反正处理200，都是失败的）

   import urllib.request
   #返回网页爬取的状态码getcode()
   file=urllib.request.urlopen("https://read.douban.com/provider/all")
   print(file.getcode())
   

   

5. geturl()

   获取当前访问的网页的url

   import urllib.request
   #获取当前访问的网页的url，geturl()
   file=urllib.request.urlopen("https://read.douban.com/provider/all")
   print(file.geturl())
   

超时设置：

由于网路速度或者对方服务器的问题，我们爬取一个网页的时候都需要时间，如果我们访问一个网页长时间未响应，那么我们的系统就会判断网页打开超时。（平常的时候我们打开网页也有这种现象）。

根据不同网站的响应速度，我们对不同网站设置超时时间，比如说反应快的我设置timeout为2秒，反应慢的我设置timeout为100秒(只是举例)。

#超时设置
import urllib.request
for i in range(0,100):
    try:
        file=urllib.request.urlopen("https://me.csdn.net/xxydzyr",timeout=1)
        print(len(file.read().decode("utf-8")))
    except Exception as err:
        print("出现异常"+str(err))