python 爬虫学习之路

2016-6-18

--今天实现了第一个用urllib2实现的爬虫程序。

--过程中发现

 req = urllib2.Request(url,headers = headers)

总是报错： 主要原因在于 url  地址错误。

例如：http://www.neihan8.com/wenzi/index_1.html

这个网址打开的是404网页错误。

但是  http://www.neihan8.com/wenzi/index_2.html  这个网页却可以了。

源代码如下：

#-*- coding:utf-8 -*-
import urllib2
class Spider:
    '''
        内涵段子吧。。。
    '''
    def load_page(self,page):
        '''
        发送内涵段子url
        '''
        url = 'http://www.neihan8.com/wenzi/index_'+ str(page) +'.html'
        headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.63 Safari/537.36"}
        req = urllib2.Request(url,headers = headers)
        response = urllib2.urlopen(req)
        html = response.read()
        return  html
#main
'''

'''
if __name__ == '__main__':
    mySpider = Spider()
    the_page = mySpider.load_page(2)
    print the_page

　　综上，我们可以在代码中加一个判断 url 是否打开正常的代码，这个需要学习。

-----------------------------------------------------------华丽丽的分割线-------------------------------------------------------------------------------------------------

安装Scrapy

--安装scrapy 都要快被安装死了

首先会发现提示 一下问题：

1.版本问题，就是说 Scrapy 所依赖的模块版本太低。'>=1.00'  表明你要使用大于1.0的版本

2.

说明 你有一个包 attrs 没有安装。

那就使用 pip install attrs 安装即可

安装完之后终于正常了。。。。

Python教程：pywin32下载安装

下载链接http://sourceforge.net/projects/pywin32/files/pywin32/Build%20218/pywin32-218.win32-py2.7.exe/download

-------------------------开启爬虫之路----------------------------------------------

首先先说明当中可能遇到的问题：

1.String or binary data would be truncated.解决方法

步骤：在执行插入语句时，会提示上面的error。

原因：是因为数据库中定义的字段长度比较小，在插入或者更新的时候，用一个比这个字段长度大的值去操作，就会引起这个错误。

2.

python向数据库插入中文乱码问题

第一步：数据库那边总得把字段类型设置为utf8之类类的吧。

第二步：在连接数据库的时候，加个参数，说明数据库那边的字段类型一致，charset='utf8'。

              大概就是这样：

conn =MySQLdb.connect(host="127.0.0.1",user="nimei",passwd="nimei",db="nimei",charset="utf8")   --sqlserver同理