背景
最近在学爬虫技术，顺便记录一下学习的过程，供各位小伙伴参考。
Python爬虫抓取网页
当 URL 路径或者查询参数中，带有中文或者特殊字符的时候，就需要对 URL 进行编码（采用十六进制编码格式）。URL 编码的原则是使用安全字符去表示那些不安全的字符。
安全字符，指的是没有特殊用途或者特殊意义的字符。
URL基本组成
本节讲解第一个 Python 爬虫实战案例：抓取您想要的网页，并将其保存至本地计算机。
首先我们对要编写的爬虫程序进行简单地分析，该程序可分为以下三个部分：
- • 拼接 url 地址
- • 发送请求
- • 将照片保存至本地
明确逻辑后，我们就可以正式编写爬虫程序了。
导入所需模块
本节内容使用 urllib 库来编写爬虫，下面导入程序所用模块：
代码语言：javascript复制from urllib import request
from urllib import parse拼接URL地址
定义 URL 变量，拼接 url 地址。代码如下所示：
代码语言：javascript复制url = 'https://www.sogou.com/web?{}'
#想要搜索的内容
word = input('请输入搜索内容:')
params = parse.quote(word)
full_url = url.format(params)向URL发送请求
发送请求主要分为以下几个步骤：
- • 创建请求对象-Request
- • 获取响应对象-urlopen
- • 获取响应内容-read
代码如下所示：
代码语言：javascript复制#重构请求头
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0'}
#创建请求对应
req = request.Request(url=full_url,headers=headers)
#获取响应对象
res = request.urlopen(req)
#获取响应内容
html = res.read().decode("utf-8")保存为本地文件
把爬取的照片保存至本地，此处需要使用 Python 编程的文件 IO 操作，代码如下：
代码语言：javascript复制filename = word '.html'
with open(filename,'w', encoding='utf-8') as f:
f.write(html)完整程序如下所示：
代码语言：javascript复制from urllib import request,parse
# 1.拼url地址
url = 'https://www.sogou.com/web?{}'
word = input('请输入搜索内容:')
params = parse.quote(word)
full_url = url.format(params)
# 2.发请求保存到本地
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0'}
req = request.Request(url=full_url,headers=headers)
res = request.urlopen(req)
html = res.read().decode('utf-8')
# 3.保存文件至当前目录
filename = word '.html'
with open(filename,'w',encoding='utf-8') as f:
f.write(html)尝试运行程序，并输入编程帮，确认搜索，然后您会在 Pycharm 当前的工作目录中找到“编程帮.html”文件。
函数式编程修改程序
Python 函数式编程可以让程序的思路更加清晰、易懂。接下来，使用函数编程的思想更改上面代码。
定义相应的函数，通过调用函数来执行爬虫程序。修改后的代码如下所示：
代码语言：javascript复制from urllib import request
from urllib import parse
# 拼接URL地址
def get_url(word):
url = 'https://www.sogou.com/web?{}'
#此处使用urlencode()进行编码
params = parse.urlencode({'query':word})
url = url.format(params)
return url
# 发请求,保存本地文件
def request_url(url, filename):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:6.0) Gecko/20100101 Firefox/6.0',
'Referer': 'https://www.sogou.com/web' # 添加Referer字段，指向百度的主页
}
# 请求对象 响应对象 提取内容
req = request.Request(url=url, headers=headers)
res = request.urlopen(req)
html = res.read().decode('utf-8')
# 保存文件至本地
with open(filename, 'w', encoding='utf-8') as f:
f.write(html)
# 主程序入口
if __name__ == '__main__':
word = input('请输入搜索内容:')
url = get_url(word)
print(url)
filename = word '.html'
request_url(url,filename)
除了使用函数式编程外，您也可以使用面向对象的编程方法（本教程主要以该方法），在后续内容中会做相应介绍。
参考文章：http://c.biancheng.net/
