Python抓取中文网页-白红宇

Python抓取中文网页

阅读量：4286 次

发布时间：2019-05-27

本文共 1113 字，大约阅读时间需要 3 分钟。

早就有想法把博客每天的访问流量记下来，刚好现在申请了GAE的应用，又开始学Python，正好拿这个练手。打算先利用Python把访问记录保存在本地，熟悉之后可以部署到GAE，利用GAE提供的cron就可以每天更近访问流量了。OK，开始~

首先是简单的网页抓取程序：

[python]
 import sys, urllib2  
   
 req = urllib2.Request("http://blog.csdn.net/nevasun")  
 fd = urllib2.urlopen(req)  
 while True:  
     data = fd.read(1024)  
     if not len(data):  
         break  
     sys.stdout.write(data)  

在终端运行提示urllib2.HTTPError: HTTP Error 403: Forbidden，怎么回事呢？

这是由于网站禁止爬虫，可以在请求加上头信息，伪装成浏览器访问。添加和修改：

[python]
 headers = { 
'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}  
 req = urllib2.Request("http://blog.csdn.net/nevasun", headers=headers)  

再试一下，HTTP Error 403没有了，但是中文全都是乱码快哭了。又是怎么回事？

这是由于网站是utf-8编码的，需要转换成本地系统的编码格式：

[python]
 import sys, urllib2  
   
   
 headers = { 
'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6'}  
 req = urllib2.Request("http://blog.csdn.net/nevasun", headers=headers)  
 content = urllib2.urlopen(req).read()   # UTF-8  
   
 type = sys.getfilesystemencoding()      # local encode format  
 print content.decode("UTF-8").encode(type)  # convert encode format  

OK，大功告成，可以抓取中文页面了。下一步就是在GAE上做个简单的应用了~

你可能感兴趣的文章