Python,分享一些初学者的心得与君共勉。
内容主要是如何使用python去获取网页的源代码并存储到本地文件中
先上代码:
import requests
def gethtml(url):
req=requests.get(url)
html=req.text
print(html)
url = 'http://www.youku.com'
gethtml(url)
第1行导入了必要的模块
第2至5行定义了一个函数,目的是向指定url发送http请求,并将网页的源代码返回
最后把获得的源码进行展示
而在浏览的网页的空白处单击右键,选择“查看网页源代码”,可以看到的html源码,实际上是一样的。
修改一下代码,将获取的html源码写入本地的文件。
方法一:
import requests
def getUrl(url):
r= requests.get(url)
txt=r.text
f = open('file2.html', 'x', encoding='utf-8')
f.write(txt)
url = 'http://www.youku.com'
getUrl(url)
方法二:
import requests
html = requests.get("http://www.baidu.com")
with open('test.txt','w',encoding='utf-8') as f:
f.write(html.text)
这是一个基本的文件保存操作,但这里有几个值得注意的问题:
1.安装requests包,命令行输入pip install requests即可自动安装。很多人推荐使用requests,自带的urllib.request也可以抓取网页源码
2.open方法encoding参数设为utf-8,否则保存的文件会出现乱码。
3.如果直接在cmd中输出抓取的内容,会提示各种编码错误,所以保存到文件查看。
4.with open方法是更好的写法,可以自动操作完毕后释放资源。
另一个例子:
import requests
text = open('testt.txt','w',encoding='utf-8')
with open('test.txt',encoding="utf-8") as f:
for line in f:
text.write(line)
text.close()
这是演示读取一个txt文件,每次读取一行,并保存到另一个txt文件中的示例。
因为在命令行中打印每次读取一行的数据,中文会出现编码错误,所以每次读取一行并保存到另一个文件,这样来测试读取是否正常。(注意open的时候制定encoding编码方式)
作为一个购物网站,大部分类型的商品都是分很多页的,接下来继续修改代码,让它能够取出前5页的内容,分别写入5个文件中。
[python] view plain copy
import urllib
import urllib2
def getPage(url):
request = urllib2.Request(url)
response = urllib2.urlopen(request)
return response.read()
url='http://www.ebay.com/sch/TShirts-/15687/i.html?Style=Basic%2520Tee&_dcat=15687&Color=Black'
p=0
while p<5:
print ' =='+str(p+1)+'==start=='
result=getPage(url+'&_pgn='+str(p+1))
txt='D:\\result'+str(p+1)+'.html'
f = open(txt,"w+")
f.write(result)
print ' =='+str(p+1)+'====end=='
p=p+1
f.close()
第8行修改了url字符串的结尾部分,删除了“&_pgn=1”,并将其作为后面循环的参数
第10至17行做了一个0至4的循环(当然你也可以设置成1到5),其中第11行和16行仅是跟踪代码,用以显示当前读到的页数。第12行的实参将循环变量p组合进去,达到获取不同页html源码的作用。
第18行结束文件操作,关闭所用资源。