10.4 网页内容读取

     

10.4.1 网页内容读取与域名分析

      Python 提供了 urllib 库支持网页内容读取。
      读取并显示网页内容。

>>> import urllib.request
>>> fp = urllib.request.urlopen(r'http://www.python.org')
>>> print(fp.read(100))
b'<!doctype html>\n<!--[if lt IE 7]>   <html class="no-js ie6 lt-ie7 lt-ie8 lt-ie9">   <![endif]-->\n<!-'
>>> print(fp.read(100).decode())
-[if IE 7]>      <html class="no-js ie7 lt-ie8 lt-ie9">          <![endif]-->
<!--[if IE 8]>      <h
>>> fp.close()

      用 GET 方法读取并显示指定 URL 内容。

>>> import urllib.parse
>>> params = urllib.parse.urlencode({'spam':1, 'eggs':2, 'bacon':0})
>>> url = "http://www.musi-cal.com/cgi-bin/query?%s"%params
>>> with urllib.request.urlopen(url) as f:
    print(f.read().decode('utf-8'))

      用 POST 方法提交参数并显示指定 URL 内容。

>>> data = urllib.parse.urlencode({'spam':1, 'eggs':2, 'bacon':0})
>>> data = data.encode('ascii')
>>> with urllib.request.urlopen("http://requestb.in/xrb182xr", data) as f:
    print(f.read().decode('utf-8'))

      urllib.parse 提供了域名解析功能,支持拆分与合并 URL 及相对地址到绝对地址的转换。

>>> from urllib.parse import urlparse
>>> o = urlparse('http://www.cwi.nl:80/sodifj/Python.html')
>>> o.port
80
>>> o.hostname
'www.cwi.nl'
>>> urlparse('http://www.cwi.nl:80/sodifj/Python.html')
ParseResult(scheme='http', netloc='www.cwi.nl:80', path='/sodifj/Python.html', params='', query='', fragment='')
>>> from urllib.parse import urljoin
>>> urljoin('http://www.cwi.nl:80/sodifj/Python.html', 'FAQ.html')
'http://www.cwi.nl:80/sodifj/FAQ.html'
>>> from urllib.parse import urlsplit
>>> url = r'https://docs.python.org/3/library/urllib.parse.html'
>>> r1 = urlsplit(url)
>>> r1.hostname
'docs.python.org'
>>> r1.geturl()
'https://docs.python.org/3/library/urllib.parse.html'
>>> r1.netloc
'docs.python.org'
>>> r1.scheme
'https'

      抓取指定网页的所有链接,并且可以深度抓取。

import sys
import multiprocessing
import re
import os
import urllib.request as lib

def craw_links(url, depth, keywords, processed):
    '''    '''
    content = []
    if url.startswith('http:') or url.startswith('https://'):
        if url not in processed:
            # mark this url as processed
            processed.append(url)
        else:
            #
            return
        print('Crawing ' + url + '...')
        fp = lib.urlopen(url)   # 创建一个表示远程url的类文件对象,然后像本地文件一样操作这个类文件对象来获取远程数据
        contents = fp.read()
        contents_decoded = contents.decode('UTF-8')
        fp.close()
        pattern = '|'.join(keywords)
        # if this page contains cetrain keywords, save it to a file
        flag = False
        if pattern:
            searched = re.search(pattern, contents_decoded)
        else:
            # if the keywords to filter is not given, save current page
            flag = True
        # print(flag, searched)
        if flag or searched:
            with open('craw\\' + url.replace(':', '_').replace('/', '_'), 'wb') as fp:
                      fp.write(contents)
        # find all the links in the current page
        links = re.findall('href="(.*?)"', contents_decoded)
        # craw all links in the current page
        for link in links:
            # consider the relative path
            if not link.startswith(('http://', 'https://')):
                try:
                    index = url.rindex('/') # 查找到最后一个/的位置,从该位置的下一个字符切片直到末尾
                    if link.startswith(('../')):
                        index = url[0:index].rindex('/')
                        link = link[3:]
                    link = url[0:index+1] + link
                    # print('link1:', link)
                except Exception as e:
                    print(e)
                    pass
            if depth > 0 and link.endswith(('.html', '.htm')):
                # print('link2:', link)
                craw_links(link, depth + 1, keywords, processed)

if __name__ == '__main__':
    processed = []
    keywords = ['KeyWord1', 'KeyWord2']
    if not os.path.exists('craw') or not os.path.isdir('craw'):
        os.mkdir('craw')
    craw_links(r'https://docs.python.org/3/library/index.html', 1, keywords, processed)
    print(processed)

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 218,122评论 6 505
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,070评论 3 395
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,491评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,636评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,676评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,541评论 1 305
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,292评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,211评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,655评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,846评论 3 336
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,965评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,684评论 5 347
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,295评论 3 329
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,894评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,012评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,126评论 3 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,914评论 2 355

推荐阅读更多精彩内容