python建单抓取网页方法（python小白学习笔记一）

Bertha 。 2022-04-22 04:04 459阅读 0赞

# 本代码使用的是python3.x #

# 方法一：通过运行python，自动打开网页，并抓取该网页。 #

前提：先安装驱动，然后运行即可。详情请查看上一篇文章

import os
    from selenium import webdriver
    
    browser = webdriver.Chrome()#打开网页
    browser.get("https://einvoice.taobao.com/index?&_emt=1541043729512#/online/invoice/success")
    print(browser.page_source) #打印获取的内容

结果：自动弹出浏览器，并输出：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2NDExODc0_size_16_color_FFFFFF_t_70][]

# 方法二：抓取到网页，保存到本地文件 #

先抓取文件，然后通过保存网页到本地，同时可以查看文件字节大小

import urllib.request   #导入对应的模块
    #首先爬取一个网页，并抓取到内容赋值给一个变量
    file=urllib.request.urlopen("https://login.taobao.com/member/login.jhtml?f=top&sub=true&redirectURL=http%3A%2F%2Feinvoice.taobao.com%2Findex%3F%26_emt%3D1541043729512")
    data=file.read()
    print(data)
    #以写入方式打开一个本地文件，命名为 *.html等网页格式
    fhandle=open('D:/爬虫/抓取文件/2018110201.html','wb')
    #将1仲变量值写入该文件
    fhandle.write(data)
    #关闭该文件
    fhandle.close()

结果：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2NDExODc0_size_16_color_FFFFFF_t_70 1][]

生成文件：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2NDExODc0_size_16_color_FFFFFF_t_70 2][]

# 方法三：使用urllib.request.urlretrieve 保存网页到本地 #

清除缓存，用： urllib.request.urlcleanup()

#第三种方式，抓取网页保存到本地
    import urllib.request   #导入对应的模块
    
    filename=urllib.request.urlretrieve("https://blog.csdn.net/qq_36411874/article/details/83623482",filename="D:/爬虫/抓取文件/2018110202.html")
    #urlretrieve执行过程，会产生缓存，清除缓存信息，用urlcleanup()
    urllib.request.urlcleanup()

# 方法四：使用Page #

转换utf-8

from urllib import request
    response = request.urlopen(r'http://python.org/') # <http.client.HTTPResponse object at 0x00000000048BC908> HTTPResponse类型
    page = response.read()
    page = page.decode('utf-8')
    print(page)

# from urllib import request和import urlib.request的区别 #

使用 import urllib.request 导入，使用时需要带模块名，即urllib.reuqest  
使用 from urllib import request导入，使用时不需要带模块名，即直接使用request  
import module 和 from module import，区别是前者所有导入的东西使用时需加上模块名，而后者则不需要。  
当然也可以 import urllib.request as request 起别名的方式直接使用request

python能导入的有module和package，module是一个py文件，package是一堆py文件的一个特殊文件夹，urllib就属于package。

eg:

Python中from urllib import request和import urlib.request的区别：

from urllib import request
    # access request directly.
    mine = request()
    
    import urllib.request
    # used as urllib.request
    mine = urllib.request()

调用的时候有时候为了方便用上面的第一种方式。  
Python里import \* 是什么意思？  
import adsl，那么代码中调用的时候都是adsl.open()之类的，比如调用adsl中的foo函数([举个栗子][Link 1])：adsl.foo()  
而from adsl import \* ，可以直接用foo()。

# 对爬取信息进行编码和解码 #

import urllib.request   #导入对应的模块
    print('编码结果'+urllib.request.quote("http://www.sina.com.cn"))#进行编码
    print('编码结果',urllib.request.quote("http://www.sina.com.cn"))#进行编码
    print("编码结果"+urllib.request.quote("http://www.sina.com.cn"))#进行编码
    print("编码结果",urllib.request.quote("http://www.sina.com.cn"))#进行编码
    
    #进行解码
    print("解码结果"+urllib.request.unquote(urllib.request.quote("http://www.sina.com.cn")))
    
    #对反爬虫网页，可以设置一些headers信息，模拟成浏览器取访问网站

逗号会有空格。详情运行

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2NDExODc0_size_16_color_FFFFFF_t_70]: /images/20220422/01e558fce1824c6c83915c9c7002e651.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2NDExODc0_size_16_color_FFFFFF_t_70 1]: /images/20220422/6c950f34d87e4da994fb2f9f284f1c33.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM2NDExODc0_size_16_color_FFFFFF_t_70 2]: /images/20220422/aa847fa3a5e44c339bb2d2ed31f14009.png
[Link 1]: https://www.baidu.com/s?wd=%E4%B8%BE%E4%B8%AA%E6%A0%97%E5%AD%90&tn=SE_PcZhidaonwhc_ngpagmjz&rsv_dl=gh_pc_zhidao