python中文爬取网页_Python抓取中文网页

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] view plaincopy import sys， urllib2

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] view plaincopy 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。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] view plaincopy 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~

微信公众号：

猿人谷

如果您认为阅读这篇博客让您有些收获，不妨点击一下右下角的【推荐】

如果您希望与我交流互动，欢迎关注微信公众号

本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接。

python中文爬取网页_Python抓取中文网页相关推荐

python大众点评霸王餐_python抓取大众点评商户信息
数据说明: 本次爬取大众点评共8个字段信息,包括: 商户名字, 口味评分, 环境评分,服务评分,人均价格,评论数量,地址,商户星级然后把数据存入excel表格一 .首页部分我们可以看到有很多分类 ...
python玩王者荣耀皮肤_python 抓取王者荣耀皮肤代码2年了依旧可以抓取高清王者皮肤...
#!/usr/bin/env python #-*- coding: utf-8 -*- """抓取王者荣耀皮肤""" importrequ ...
python 公众号文章发布_Python 抓取微信公众号文章
版权声明:此文章转载自 Yushneng PyHub 如需转载请联系听云College团队成员阮小乙,邮箱:ruanqy#tingyun.com 微信公众号的文章链接有些是具有时效性的,过一段时间会变 ...
python保存图片到指定路径_python 抓取页面数据，并保存图片文本到指定目录文件夹...
这个爬虫主要利用scrapy+beautifulsoup完成,其中图片保存碰到了一个大坑,花了一天的时间才解决. 大坑就是:在抓取文章页指定区域所有图片的时候,刚好那块区域的图片所有页面都一样,导致图 ...
python抓取微信_python抓取搜狗微信公众号文章
初学python,抓取搜狗微信公众号文章存入mysql mysql表: 代码: import requests import json import re import pymysql # 创建连接 ...
python下载图片怎么保存_Python抓取站酷作品图片并保存至本地
思路 1.通过 requests 模块请求网页,获取到网页的源码,其中包含了作品集的 URL 2.通过 BeautifulSoup 提取到作品集的 URL ,返回为列表,使用 for 循环遍历作品集 ...
python下载谷歌地图瓦片_python抓取天地图瓦片
[实例简介] 抓取天地图瓦片 [实例截图] [核心代码] # _*_coding:utf-8_*_ from urllib import request import re import urllib ...
python登录网页后抓取数据_Python抓取网页数据的终极办法
Pandas库有一种内置的方法,可以从名为read_html()的html页面中提取表格数据: https://pandas.pydata.org/import pandas as pdtables ...
python爬取学校新闻_Python抓取学院新闻报告
们发现,我们能够直接在新闻详情页面抓取到我们需要的数据:标题,时间,内容.URL. 好,到现在我们清楚抓取一篇新闻的思路了.但是,如何抓取所有的新闻内容呢? 这显然难不到我们. 我们在新闻栏目的最下方 ...

python中文爬取网页_Python抓取中文网页

python中文爬取网页_Python抓取中文网页相关推荐

最新文章

热门文章