20190715《Python网络数据采集》第 1 章

《Python网络数据采集》7月8号-7月10号，这三天将该书精读一遍，脑海中有了一个爬虫大体框架后，对于后续学习将更加有全局感。

此前，曾试验看视频学习，但是一个视频基本2小时，全部拿下需要30多个视频，如此看来每天学习一个视频时间都是非常吃力的，且都属于被动输入，尤其是在早上学习视频容易犯困。

故此，及时调整学习策略，采用 “电子书+廖雪峰网页教程+实操+Google+咨询程序员+每日总结归纳” 的主动学习模式，如此更加高效，更加容易把控进度！

学习爬虫，一者兴趣，致力于借此兴趣驱动力掌握编程思维，进而让自己有能够将想法做成产品的的技能；二者，为了一个近在眼前的爬虫商业化机遇，更希望借此为自己增加一个收入来源。

1. 爬虫常见得异常及处理方法，用一个简单得爬虫代码解释，核心知识点：

（1）异常一：网页在服务器上不存在（或者获取页面时，出现错误）。该异常发生时，程序会返回HTTP错误，如“404 Page Not Found” "500 Internet Server Error"等。

（2）异常二：服务器不存在（即，链接打不开，或者URL链接写错了），这时，urlopen会返回一个None对象。

Ps：有的时候，网页已经从服务器成功获取，如果网页上的内容并非完全是我们期望的那样，也会出现异常。

 1 from urllib.request import urlopen
 2 from bs4 import BeautifulSoup
 3
 4 try:
 5     html = urlopen("http://pythonscraping.com/pages/page1.html")
 6 # print(html.read())
 7 # 检测：网页在服务器上是否存在（或者获取页面时是否出现错误）
 8 except HTTPError as e:
 9     print(e)
10 else:
11     bsobj = BeautifulSoup(html.read())
12     # 检测：服务器是否存在（就是说链接能否打开，或者是URL链接写错了）
13     if html is None:
14         print("URL is not found")
15     else:
16         print(bsobj.h1)
17         # print(bsobj.title)

 1 # 以上代码更改为检测异常更全面、可读性更强的代码，如下：
 2 from urllib.request import urlopen
 3 from bs4 import BeautifulSoup
 4
 5 def getTitle(url):
 6     try:
 7         html = urlopen(url)
 8     except HTTPError as e:
 9         return None
10     try:
11         bsobj = BeautifulSoup(html.read())
12         title = bsobj.body.h1
13     except AttributeError as e:
14         return
15     return title
16
17 title1 = getTitle("http://pythonscraping.com/pages/page1.html")
18 if title1 == None:
19     print("Title could not be found")
20 else:
21     print(title1)

该部分代码执行时，出现报错：

 indentationerror: unexpected indent process finished with exit code 1

Google发现，Tag和Space不能混合使用。原始第五行，def被tab缩进，后删除该tab缩进，问题解决。该问题具体原因，仍需要仔细查明！！！