urllib库的应用及简单爬虫的编写

1、urllib库基础

1.1爬虫的异常处理

　　常见状态码及含义

　　301 Moved Permanently：重定向到新的URL，永久性

　　302 Found：重定向到临时的URL，非永久性

　　304 Not Modified：请求的资源未更新

　　400 Bad Request：非法请求

　　401 Unauthorized：请求未经授权

　　403 Forbidden：禁止访问

　　404 Not Found：没有找到对应页面

　　500 Internal Server Error：服务器内部出现错误

　　501 Not Implemented：服务器不支持实现请求所需要的功能

　　URLError与HTTPError都是异常处理的类，HTTPError是URLError的子类，HTTPError有异常状态码与异常原因，URLError没有异常状态码。不能用URLError直接代替HTTPError，如果要代替，必须要判断是否有状态码属性。

　　URLError：

　　1、连不上服务器

　　2、远程的URL不存在

　　3、本地没有网络

　　4、触发了HTTPError（因为HTTPError是它的子类）

1.2爬虫的浏览器伪装技术

　　想要伪装成浏览器，必须为爬虫添加报头信息。打开浏览器进入网页，F12中network中找到user-agent及其后面的内容，然后创建opener对象，把opener添加为全局（urllib.request.install_opener(opener)）。

1.3设置代理服务器

2、爬虫实战

2.1将新浪新闻首页的所有新闻都爬到本地

　　进入新浪新闻首页，查看网页源代码，根据每个新闻链接的相似度，构造求新闻链接的正则表达式，接着再将网页全部写入到本地。

2.2爬取CSDN博客（http://blog.csdn.net/）首页显示的所有文章，每个文章内容单独生成一个本地网页存到本地中。

　　利用浏览器伪装技术，先爬首页，通过正则表达式筛选出所有文章的url，然后通过循环把这些url下载到本地。

3、爬取网站图片

3.1爬取淘宝网任意搜索目录下高清图

　　本次爬取淘宝的搜索关键词为“短裙”，在淘宝搜索短裙进入搜索结果页面。对该页面网址及下几页网址进行分析，找出url构造规律。对源代码中进行分析，注意找到图片的url，此时要特别注意图片必须要高清而不是略缩图，这同样需要注意图片地址。利用正则表达式对提取到的信息进行筛选，最后将得到的图片编号存储到本地。

　　由于是爬取多页的信息，如果对循环不太熟悉的话，可以先爬取一页的图片，然后找出循环的规律在对规定的页数进行循环爬取图片。

3.2对千图网任一类图片进行爬取

　　一定要进行异常处理，不然程序很容易崩。尽量每次爬取后都输出一些文字提示，以此来了解进度。