爬虫学习一系列：urllib2抓取网页内容

爬虫学习一系列：urllib2抓取网页内容

所谓网页抓取，就是把URL地址中指定的网络资源从网络中读取出来，保存到本地。我们平时在浏览器中通过网址浏览网页，只不过我们看到的是解析过的页面效果，而通过程序获取的则是程序源代码。我们通过使用Python中urllib2来获取网页的URL资源，最简单方法就是调用urlopen 方法。

 # coding : utf-8
 import urllib2
 import urllib

 url = 'http://www.baidu.com'
 res = urllib2.urlopen(url)
 print res.read()

HTTP是基于请求和应答机制—客户端提出请求，服务端提供应答。

urllib2用一个Request对象来映射你提出的HTTP请求，通过调用urlopen来传入Request对象，将返回一个相关请求response对象，这个应答对象如同一个文件对象，所以我们可以在Response对象中调用read()方法来读取。

 # coding : utf-8
 import urllib2
 import urllib

 url = 'http://www.baidu.com'
 request = urllib2.Request(url)
 res = urllib2.urlopen(request)
 print res.read()

在HTTP请求时，我们还可以发送data表单数据。一般的HTML表单，data需要编码成标准形成，然后作为data参数传到Request对象。而相应的编码工作就不能用urllib2来完成了，而是我们urllib组件。

 import urllib
 import urllib2

 url = 'http://www.someserver.com/register.cgi'

 values = {'name' : 'BaiYiShaoNian',
         'localtion' : 'ChongQing',
         'language' : 'Python',
         }

 data = urllib.urlencode(values)
 req = urllib2.Request(url,data)
 response = urllib2.urlopen(req)
 the_page = response.read()

 print the_page 

但是我有一个疑问：就是这一份代码并不能运行，我还不知道传入数据表单的作用是什么，或者我们在抓cnblogs页面时，传入登录的信息，是不是我们就可以登录博客园了啊，所以在这里请教一下大牛，先感谢了。

通过正则表达式来获取网页部分信息

正则表达式，又称为正则表示法、常规表示法。正则表达式使用单个字符串来描述、匹配一系列符号某个句法规则的字符串。通俗的说，正则表达式就是在程序中定义了字符串的某种规则，然后我们在网页源代码中找出符合这种规则的所有代码语句，不符合的就淘汰不要。

关于正则表达式的很多具体用法，我后面会边学边为大家讲解的，这里先略过。

我们可以通过Python爬虫来获取以下网页中新闻标题和新闻的ID。

 # -*- coding: utf-8 -*-
 import urllib2
 import re

 # 1.获取访问页面的HMTL
 url = "http://www.nenu.edu.cn/newslist.php?cid=1"

 response = urllib2.urlopen(url)
 html = response.read()
 # 2.根据正则表达式抓取特定内容
 r = re.compile(r'<a href="intramural/content/news/(?P<ID>.{5}).*" target="_blank">(?P<Title>.+)</a>')
 news = r.findall(html)
 for i in range(len(news)):
     ID = news[i][0]
     title = news[i][1]
     # data = data.decode('utf-8')
     # title = title.decode('utf-8')
     print title + " " + ID + " "

我们运行这一份代码看看结果是什么样的，是否已经成功获取。