1.知识点要求

• 2.1 Python基础知识（List和Tuple）
• 2.2 urllib模块、超时设置、自动模拟http请求之get方法和post方法
• 2.3 异常处理与浏览器伪装技术实战

如果你对相关知识有些遗忘，可以点上面的链接，熟悉一下相关知识点。

2.爬取CSND博客首页信息实战

目的：爬取csdn博客首页上的所有新闻连接，并下载到本地文件夹中。

（1）进入csdn博客首页(https://blog.csdn.net/)，点击鼠标右键，点击查看网页源代码，然后，在源代码网页中按ctrl + f键，会出现搜索框。

（2）在博客首页中复制一些新闻的标题，然后在搜索框中搜索复制的标题，找到搜索到的内容，观察该新闻的连接特征。再多换几个标题试试。

这里插入图片描述

3）换了几个标题之后你会发现大多数的连接的局部地方，都只是红色部分的连接不一样，其余部分一样。那这样我们可以设置正则表达式<a.*?href="(.*?)" target="_blank"

（

sdn首页的信息进行爬取

#首先导入模块

import re

import urllib.request

import urllib.error

#要爬取的网的网站

url = "https://blog.csdn.net/"

#获得网页当前信息

page = urllib.request.urlopen(url).read().decode('utf-8', 'ignore') #参数'ignore'表示解码遇到异常时忽略异常，继续解码

#设置正则表达式

pat = '<a.*?href="(.*?)" target="_blank"'

#从网页信息中匹配出我们要的信息

links = re.compile(pat).findall(page)

print(links[:12])

#存放爬取的新闻网址信息

for i in range(0, len(links)):

#防止出现异常，而停止信息爬取，采用异常处理措施

try:

urllib.request.urlretrieve(links[i], "D:\python\news\"+str(i)+".html")

except urllib.error.HTTPError as e:

if hasattr(e, 'code'):

print(e.code)

if hasattr(e, 'reason'):

print(e.reason)

print('爬取成功！')

（5）运行上面的代码我们会发现错误，爬取信息爬到了一半就中断了，分析错误原因，发现是出现了非网址的字符串

（6）所以

用语句links = [link for link in links if link[:4]=='http']将不是网址的字符串过滤掉，所以，最终代码如下：

#首先导入模块

import re

import urllib.request

import urllib.error

#要爬取的网页的站

url = "https://blog.csdn.net/"

#获得网页当前信息

page = urllib.request.urlopen(url).read().decode('utf-8', 'ignore') #参数'ignore'表示解码遇到异常时忽略异常，继续解码

#设置正则表达式

pat = '<a.*?href="(.*?)" target="_blank"'

#从网页信息中匹配出我们要的信息

links = re.compile(pat).findall(page)

print(len(links))

#爬取的过程中发现了异常，存在：<a href="/nav/ai" target="_blank">这样的代码，获取的不是网址，所有要进行过滤

links = [link for link in links if link[:4]=='http']

print(len(links))

#存放爬取的新闻网址信息

for i in range(0, len(links)):

#防止出现异常，而停止信息爬取，采用异常处理措施

try:

urllib.request.urlretrieve(links[i], "D:\python\news\"+str(i)+".html")

except urllib.error.HTTPError as e:

if hasattr(e, 'code'):

print(e.code)

if hasattr(e, 'reason'):

print(e.reason)

print('爬取成功！')

（7）运行程序，可以看见我们过滤掉了21个非网址字符串，我这里是从0开始一直爬到122，说明我获取到的网页信息全部爬取成功！

下面是为初学者们准备的python电子书籍资料和python入门教程！

请关注+私信回复：“学习”就可以拿到一份我为大家准备的Python学习资料！