标签：
Python 网络爬虫简单分析
1 import urllib2 2 response = urllib2.urlopen("http://www.baidu.com") 3 print response.read()
我们下面开始分析代码
response = urllib2.urlopen("http://www.baidu.com")
这里我们利用的是urllib2库中的urlopen方法，这里可以知道这是一个http协议的网址，urlopen一般接受三个参数，它的参数如下：
urlopen(url, data, timeout)
第一个参数url即为URL，第二个参数data是访问URL时要传送的数据，第三个timeout是设置超时时间。
第二三个参数是可以不传送的，data默认为空None，timeout默认为 socket._GLOBAL_DEFAULT_TIMEOUT
第一个参数URL是必须要传送的，这里我们传送了百度的URL，执行urlopen方法之后，返回一个response对象，返回信息便保存在这里面。
print response.read()
response对象有一个read方法，可以返回获取到的网页内容。
如果不加read直接打印会是什么？答案如下：
<addinfourl at 40798248 whose fp = <socket._fileobject object at 0x029A29B0>>
这里如果不加read方法的话，打印出来的就是对该对象的描述。
其实上面的urlopen是可以传入request请求的
上面是一个简单的获取网络信息的一个爬虫例子。
下面是一个简单的糗事百科爬虫的脚本，来练习下库的使用。
8 import urllib 9 import re 10 11 head = 0 12 n = 1 13 while n < 10: 14 page = n 15 url = ‘http://www.qiushimm.com/page/‘ + str(page) 16 def getHtml(url): 17 page = urllib.urlopen(url) 18 html = page.read() 19 return html 20 21 def getImg(html): 22 reg = r‘src="(.+?\.jpg)"‘ 23 imgre = re.compile(reg) 24 imglist = re.findall(imgre,html) 25 x = head 26 for imgurl in imglist: 27 urllib.urlretrieve(imgurl,‘%s.jpg‘ % x) 28 x+=1 29 html = getHtml(url) 30 print getImg(html) 31 n = n+1 32 head = head + 10
标签：
原文地址：http://www.cnblogs.com/stephenmc/p/5941384.html
