python——简单爬虫

因为要学习python，所以看到一些网站有很多文章。

如：http://python.jobbole.com/all-posts/

目标：

将某个网站脚本编程-》python模块这个分类下所有的文章标题和网址提取（就相当于一个目录索引了）

在目录中找东西总好过一页页点击网页上的下一页吧。

为什么用python来实现呢，因为实在太简单易用了。在不考虑效率的情况下是大大方便了我等小白

我感觉我用爬虫得几个原因：

自从百度的site、intitle、inurl等这类搜索命令失效之后搜索关键内容的灵活度降低了，找不到想要的内容

技术博客里面有很多文章分类，可是一个分类下的文章遗憾的就是没有目录，难道要一页一页地打开网页查找么

不过不试不知道，一个简单的爬虫也牵扯了挺多东西的，总结一下

1、正则表达式，为了一行代码，把正则表达式的东西又加深学习了一遍了，无分组捕获、命名捕获、零宽断言、贪婪模式等等以前没有听过的东东。具体自己去了解吧！

2、urllib的使用，简单的使用也会有问题，看错误如下

　  IOError: ('http protocol error', 0, 'got a bad status line', None)

http://blog.csdn.net/yueguanghaidao/article/details/11994229 中有解释是因为http://www.website.com/需要在域名后加"/"，不然会报"IOError: ('http protocol error', 0, 'got a bad status line', None)”。我第一次抓取的网页有这个错误，加了“/”访问网页直接返回404。我换成urllib2就有错误“httplib.BadStatusLine”

后来发现IOERROR是因为那个坑爹的网页本来就有问题，前一刻访问好好的，程序没写完就变成了足彩网站了。我可以理解为网站管理员休假了么。

3、中文编码问题，成功抓取了可是显示了一片看不明白的东东。看了下encode(),decode()毫无头绪，我怎么知道用什么来解码啊

>>> print fi
['python chardet\xc4\xa3\xbf\xe9\xc5\xd0\xb6\xcf\xd7\xd6\xb7\xfb\xb1\xe0\xc2\xeb'

引用一段：出自http://www.linuxidc.com/Linux/2014-11/109853.htm

decode的作用是将其他编码的字符串转换成unicode编码，如str1.decode(‘gb2312’)，表示将gb2312编码的字符串str1转换成unicode编码，因此，如果str1本身不是gb2312编码，就会报错。 

encode的作用是将unicode编码转换成其他编码的字符串，如str2.encode(‘gb2312’)，表示将unicode编码的字符串str2转换成gb2312编码，因此，需要str2本身的编码是unicode。

总结一下, 

u.encode(‘…’)基本上总是能成功的，只要你填写了正确的目标编码。这就像任何文件都可以压缩成zip文件，是一个道理。 

s.decode(‘…’)经常会出错，因为s是什么“编码”取决于上下文，当你解码的时候需要确保s是用什编码。就像打开zip文件的时候，你要确保它确实是zip文件，而不仅仅是伪造了扩展名的zip文件。

可以发现C4A3的编码是GBK，哈哈，别介意我作弊，然后成功解码。

#coding=utf-8
import urllib2
import re
import time
pattern_site_title=re.compile(r'(?<=<a class="archive-title" target="_blank" href=")(.*)(?="\stitle="(.*)">)')
for page in range(1,10):
        url='http://python.jobbole.com/all-posts/page/%d/'%page
        try:
            url_open=urllib2.urlopen(url)
        except:
            exit()
            print "urlopen error!"

        result=pattern_site_title.findall(url_open.read())
        print "--------------------------------------------------------------"
        for i in range(0,len(result)):
                print "%s    %s"%result[i]
        time.sleep(3)
        url_open.close()

正则表达式是个值得研究的地方，怎样才能匹配到自己需要的内容。简单的几行程序，实现了需要的功能。有更多的需要还可以在这基础上扩展。噢~~python真是个好东西