紀念我的第一個爬蟲程序，一共寫了三個白天，其中有兩個上午沒有看，中途遇到了各種奇怪的問題，伴隨著他們的解決，對于一些基本的操作也弄清楚了。果然，對于這些東西的最號的學習方式，就是在使用中學習，通過解決問題的方式來搞定這些知識。按需索取，才能更有針對性。
大體記錄下整個過程。
--------------------------------------------------------------------------------
準備構思
出于對于python的熱愛，想要嘗試一些練手的項目，但是不論是看書，還是直接嘗試別人的項目，到最后都會淪為不停地復制粘貼...最實際的就是自己來上手親自寫代碼。思路都是一樣的，但是具體的實現還得靠自己。
以前的復制粘貼給我的幫助也就是告訴了我大致的流程。
確定目標網址
目標網址是關鍵。我夢想中的爬蟲是那種偏向于更智能的，直接給他一個想要獲取的關鍵詞，一步步的流程直接自己完成，可以自己給定范圍，也可以直接爬取整個互聯網或者更實際的就是整個百度上的內容，但是，目前就我而言，見到的爬蟲，都是給定目標網址，通過目標頁面上的內容進一步執行規定的操作，所以現在來看，我們在寫爬蟲之前，需要確定一個基準頁面，這個是需要我們事先制定的。在考慮我們需要程序完成怎樣的功能，獲取頁面文本還是相關鏈接內容還是其他的目的。
我這個程序想要獲取的是《劍來》小說，把各個章節的內容爬去下載存儲到文件里。
編程只是實現目的的工具。
所以重點是分析我們的需求。
獲取小說目錄頁面是基本。這里有各個章節的鏈接，標題等等內容。這是我們需要的。
有了各個章節的鏈接，就需要進入其中獲得各個章節的內容。
所以，我們需要獲得頁面內容，需要從中獲得目標內容。
所以使用 urllib.request，re 庫。
前者用來獲得網頁內容，后者獲得目標信息。
headers
直接使用urllib.request的urlopen()，read()方法是會報以下錯誤：
raise HTTPError(req.get_full_url(), code, msg, hdrs, fp)HTTPError: HTTP Error 403: Forbidden
出現urllib2.HTTPError: HTTP Error 403: Forbidden錯誤是由于網站禁止爬蟲，可以在請求加上頭信息，偽裝成瀏覽器。
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:55.0) Gecko/20100101 Firefox/55.0'}request = url_req.Request(url, headers=headers)response = url_req.urlopen(request, data=None, timeout=3)html = response.read().decode('GBK')注意：這里存在兩個容易出問題的地方。
•編碼：編碼問題是使用爬蟲中有時候會很頭痛的問題，由于網頁源代碼編碼格式不明確，所以這里嘗試了許久。
使用chardet庫的detect()方法可以檢測字節字符串的編碼。所以直接檢測這里的html(先不要解碼)。輸出的是GB2312，但是在后面頁面的爬取中，會出現提示有的字符的編碼異常，所以這里采取了比其范圍更廣的中文字符集GBK，解決了這個問題。
•設置超時范圍：由于頻繁的獲取網頁內容，目標網站有時候會出現沒有響應的問題。
（這個問題可以見我在CSDN上的提問：關于python爬蟲程序中途停止的問題）
于是我采取了捕獲 urlopen()的socket.timeout異常，并在出現異常的時候再循環訪問，直到獲得目標頁面。
獲得目標內容
這里使用的是正則表達式。re模塊。這里的使用并不復雜。
首先需要一個模式字符串。以re.I指定忽略大小寫，編譯后的對象擁有本身匹配的方法，這里使用的是findall()，返回一個所有結果組成的列表。可以及時返回輸出其內容，進而選擇合適的部分進行處理。
python 正則表達式
通過查看相關的符號，這里使用(.+?)來實現匹配非貪婪模式(盡量少的)下任意無限字符，對之使用()，進而匹配括號內的模式。
文件寫入
使用with open() as file:，進而可以處理文件。并且可以自動執行打開和關閉文件，更為便捷安全。with open(findall_title[0] + '.txt', 'w+', encoding='utf-8') as open_file:
•這里也要注意編碼的問題，指定utf-8。會避免一些問題。
•這里使用w+模式，追加寫文件。
完整代碼
# -*- coding: utf-8 -*-"""Created on Fri Aug 11 16:31:42 2017@author: lart"""import urllib.request as url_reqimport re, socket, timedef r_o_html(url): print('r_o_html begin') headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; Win64; x64; rv:55.0) Gecko/20100101 Firefox/55.0'} request = url_req.Request(url, headers=headers) NET_STATUS = False while not NET_STATUS: try: response = url_req.urlopen(request, data=None, timeout=3) html = response.read().decode('GBK') print('NET_STATUS is good') print('r_o_html end') return html except socket.timeout: print('NET_STATUS is not good') NET_STATUS = Falsedef re_findall(re_string, operation, html): print('re_findall begin') pattern = re.compile(re_string, re.I) if operation == 'findall': result = pattern.findall(html) else: print('this operation is invalid') exit(-1) print('re_findall end') return resultif __name__ == '__main__': url_base = 'http://www.7kankan.la/book/1/' html = r_o_html(url_base) findall_title = re_findall(r'<title>(.+?)</title>', 'findall', html) findall_chapter = re_findall(r'<dd class="col-md-3"><a href=[/',"](.+?)[/',"] title=[/',"](.+?)[/',"]>', 'findall', html) with open(findall_title[0] + '.txt', 'w+', encoding='utf-8') as open_file: print('article文件打開', findall_chapter) for i in range(len(findall_chapter)): print('第' + str(i) + '章') open_file.write('/n/n/t' + findall_chapter[i][1] + '/n --------------------------------------------------------------------- /n') url_chapter = url_base + findall_chapter[i][0] html_chapter = r_o_html(url_chapter) findall_article = re_findall(r' (.+?)<br />', 'findall', html_chapter) findall_article_next = findall_chapter[i][0].replace('.html', '_2.html') url_nextchapter = url_base + findall_article_next html_nextchapter = r_o_html(url_nextchapter) if html_nextchapter: findall_article.extend(re_findall(r' (.+?)<br />', 'findall', html_nextchapter)) for text in findall_article: open_file.write(text + '/n') time.sleep(1) print('文件寫入完畢')新聞熱點
疑難解答
圖片精選
