python 爬虫（一）

1. 一次简单的网页访问

urllib 是一个标准的python库（意味着不需要安装任何附件的东西来运行这个demo），包含了通过网络请求数据的方法，处理cookies，甚至更改metadata比如headers和用户代理。

urlopen 这个方法用来通过网络访问远程数据，就是发送一个get请求到制定的url地址。

1 from urllib.request import urlopen
2 html = urlopen(‘http://pythonscraping.com/pages/page1.html‘)
3 print(html.read())

2. BeautifulSoup的简单介绍

这个模块是一个html/xml解析器，它可以很好的处理不规范标记并生成剖析树。

I  installing BeautifulSoup

linux：apt-get install python-bs4  或者 pip install beautifulsoup4

II 在这个模块（bs4）中BeautifulSoup是最常用的

1 from urllib.request import urlopen
2 from bs4 import BeautifulSoup
3
4 html = urlopen("http://www.pythonscraping.com/pages/page1.html")
5 bsobj = BeautifulSoup(html.read(), ‘html.parser‘)
6 print(bsobj.h1)
7
8 #输出：<h1>An Interesting Title</h1>

 3. 异常处理

I 在服务上没有找到请求的地址 一个http error错误会被返回 这个错误可能是 404 page  not found 500 Internal server Error 这些所有的情况urlopen方法会抛出异常HTTPError

1 try:
2     html = urlopen("http://www.pythonscraping.com/exercises/exercise1.html")
3 except HTTPError as e:
4     print(e)
5      #return null,break or do some other ‘plan B‘
6 else:
7     #program continues

II 服务没有找到,urlopen会返回None

1 if html is None:
2     print("URL is not found")
3 else:
4     #program continues

一个捕获各种异常的写法：

 1 from urllib.request import urlopen
 2 from urllib.error import HTTPError
 3 from bs4 import BeautifulSoup
 4 def getTitle(url):
 5 　　try:
 6 　　　　html = urlopen(url)
 7 　　except HTTPError as e:
 8 　　　　return None
 9 　　try:
10 　　　　bsObj = BeautifulSoup(html.read())
11 　　　　title = bsObj.body.h1
12 　　except AttributeError as e:
13 　　　　return None
14 　　return title
15 title = getTitle("http://www.pythonscraping.com/exercises/exercise1.html")
16 if title == None:
17 　　print("Title could not be found")
18 else:
19 　　print(title)