Python爬蟲(二):爬蟲獲取資料儲存到檔案
接上一篇文章:Python爬蟲(一):編寫簡單爬蟲之新手入門
前言:
上一篇文章,我爬取到了豆瓣官網的頁面程式碼,我在想怎樣讓爬取到的頁面顯示出來呀,爬到的資料是html頁面程式碼,不如將爬取到的程式碼儲存到一個檔案中,檔案命名為html格式,那直接開啟這個檔案就可以在瀏覽器上看到爬取資料的效果了。廢話不多說,進入正文。
本篇文章:繼續介紹另外兩種方式來實現python爬蟲獲取資料,並將python獲取的資料儲存到檔案中。
一、第一種方式:
主要通過爬取百度官網頁面資料,將資料儲存到檔案baidu.html中,程式執行完開啟檔案baidu.html檢視效果。具體程式碼中有詳細的程式碼解釋,相信剛入門的你也能看懂~~
說明一下我的程式碼環境是python3.7,本地環境是python2.x的可能需要改部分程式碼,用python3.x環境的沒問題。
程式碼如下:
# -*- coding: utf-8 -*- import urllib.request import urllib # 1、網址url --百度 url = 'http://www.baidu.com' # 2、建立request請求物件 request = urllib.request.Request(url) # 3、傳送請求獲取結果 response = urllib.request.urlopen(request) htmldata = response.read() # 4、設定編碼方式 htmldata = htmldata.decode('utf-8') # 5、列印結果 print (htmldata) # 6、列印爬去網頁的各類資訊 print ("response的型別:",type(response)) print ("請求的url:",response.geturl()) print ("響應的資訊:",response.info()) print ("狀態碼:",response.getcode()) # 7、爬取資料儲存到檔案 fileOb = open('baidu.html','w',encoding='utf-8') #開啟一個檔案,沒有就新建一個 fileOb.write(htmldata) fileOb.close()
在open()方法中如果沒有設定編碼encoding='utf-8',會報錯,原因如下:
在windows下面,新檔案的預設編碼是gbk,這樣的話,python直譯器會用gbk編碼去解析我們的網路資料流html,
然而html此時已經是decode過的unicode編碼,這樣的話就會導致解析不了,出現上述問題。
設定encoding='utf-8',開啟檔案時就按照utf-8格式編碼,則順利執行。
執行結果:
部分截圖如下:擷取的是第六步中的網頁各類資訊,第五步列印的資料過多,也已經儲存到檔案baidu.html中了,所以沒有擷取。
下圖是執行程式之後在本地生成的baidu.html
開啟此baidu.html檔案結果如下圖所示:
有沒有很神奇是不是和百度頁面一模一樣^_^,沒錯,就是這樣子的
二、第二種方式:新增特殊情景的處理器
程式碼如下:
# -*- coding: utf-8 -*-
import urllib.request, http.cookiejar
# 1、網址url --百度
url = 'http://www.baidu.com'
# 2、建立cookie容器
cj = http.cookiejar.CookieJar()
handle = urllib.request.HTTPCookieProcessor(cj)
# 3、建立1個opener
opener = urllib.request.build_opener(handle)
# 4、給urllib.request安裝opener
urllib.request.install_opener(opener)
# 5、使用帶有cookie的urllib.request訪問網頁,傳送請求返回結果
response = urllib.request.urlopen(url)
htmldata = response.read()
# 6、設定編碼方式
data = htmldata.decode("utf-8")
# 7、列印結果
print (data)
# 8、列印爬去網頁的各類資訊
print ("response的型別:",type(response))
print ("請求的url:",response.geturl())
print ("響應的資訊:",response.info())
print ("狀態碼:",response.getcode())
# 9、爬取資料儲存到檔案
fileOb = open('baiduCookie.html','w',encoding='utf-8') #開啟一個檔案,沒有就新建一個
fileOb.write(data)
fileOb.close()
為了區別第一種生成的檔案baidu.html,這裡我將第二種生成的檔案命名為baiduCookie.html
這種方式結果和第一種一樣,只是程式碼不同,所以下面不在贅述,結果見第一種即可。
喜歡我的文章的可以關注哦,有問題的可以提出來,互相交流,互相學習^_^