python爬虫第三天

 

 

DebugLog实战

        有时候我们需要在程序运行时，一边运行一边打印调试日志。此时需要开启DebugLog。

        如何开启：

        首先将debuglevel设置为1，然后用urllib.request.build_opener()创建自定义对象opener将debuglevel作为参数传入接着用urllib.request.install_opener()创建全局默认对象opener，进行后续操作。

import urllib.request

#复制区-----

httphd=urllib.request.HTTPHandler(debuglevel=1)

httpshd=urllib.request.HTTPSHandler(debuglevel=1)

opener=urllib.request.build_opener(httphd,httpshd)

urllib.request.install_opener(opener)

#-----复制区

data=urllib.request.urlopen("http://edu.51cto.com")

这样就可以边执行程序边打印调试Log日志。

 

异常处理神器——URLError实战

    如何合理的处理异常：介绍两个类

        URLError和他的一个子类HTTPError

实例1：

import urllib.request

import urllib.error

try:

    urllib.request.urlopen("http://blog.csdn.net")

except urllib.error.URLError as e: #这里csdn禁止对文章爬取，所以没有模拟浏览爬会出现403错误

#由于触发了HTTPError产生的URLError异常，这里使用HTTPError替换亦可以，

#但是HTTPError不能处理：连接不上服务器，远程url不存在、无网络的异常

    print(e.code)

    print(e.reason)

补充知识：状态码

200----一切正常

301----重定向到新的url，永久性

302----重定向到临时的url，非永久性

304----请求的资源未更新

400----非法请求

401----请求未经授权

403----禁止访问

404----没有找到对应页面

500----服务器内部出现错误

501----服务器不支持实现请求所需要的功能

实际上我们处理异常不知道使用HTTPError能不能处理。我们可以进行优化，先让HTTPError处理，不行再让URLError处理

代码如下：

try:

    urllib.request.urlopen("http://blog.baidusss.net")#不存在的网址

except urllib.error.HTTPError as e:

    print(e.code)

    print(e.reason)

except urllib.error.URLError as e:

    print(e.reason)

 

代码再改进，整合一下：不管何种原因都可以解决

try:

    urllib.request.urlopen("http://blog.csdn.net")

except urllib.error.URLError as e:

    if hasattr(e,"code"):

        print(e.code)

    if hasattr(e,"reason"):

        print(e.reason)

 

正则表达式入门

    正则表达式就是描述字符串排列的一套规则。比如电子邮件、手机号的字符都是满足一定的规则的，我们可以用正则来表达他们的格式。在python中我们用re模块来实现正则。

    基础知识：

 NO1 、原子：正则的基本组成单位，每个正则中至少包含一个原子。

    原子的类型：

            1：普通字符

import re

pattern="yue"

string="http://yum.iqianyue.com"

result1=re.search(pattern,string)

print(result1)

#结果：<_sre.SRE_Match object; span=(16, 19), match='yue'>

这里我们匹配两个字符串，成功匹配到了字符结果“yue”         

 

   2：非打印字符 

        指在一些字符串中用于格式控制的符号，如：

 

符号	含义
\n	用于匹配一个换行符
\t	用于匹配一个制表符

import re

 

pattern="\n"

string='''http://yum.iqianyue.com

http://baidu.com'''

result=re.search(pattern,string)

print(result)

 

 

            3：通用字符 

一个原子可以匹配一类字符

 

符号	含义
\w	匹配任意一个字母、数字或下划线
\W	匹配除字母、下划线、数字以外的任意字符
\d	匹配任意一个十进制数
\D	匹配十进制以外的任意一个其他字符
\s	匹配任意一个空白字符
\S	匹配除空白字符以外的任意一个其他字符

 

          

pattern="\w\dpython\w"

string="abcdfphp345python_py"

result=re.search(pattern,string)

print(result)

#结果<_sre.SRE_Match object; span=(9, 18), match='45python_'>

 

 

 

  4：原子表

 

使用原子表定义一组地位相等的原子，匹配是会取原子表中任意一个原子进行匹配，在Python中原子表用[]表示

如[xyz]对应源字符是“xpython”如果用re.search匹配，就可以匹配到“xpy”，因为只要py的前一位是xyz的任一个原子就可以匹配成功

 

    

pattern1="\w\dpython[xyz]\w"

string="abcdfphp345pythony_py"

result=re.search(pattern1,string)

print(result)

#结果：<_sre.SRE_Match object; span=(9, 19), match='45pythony_'>

 

 

 此文是我在学习《精通Python网络爬虫》（韦玮著）的总结,纯手打。