记我的第一个python爬虫

捣鼓了两天，终于完成了一个小小的爬虫代码。现在才发现，曾经以为那么厉害的爬虫，在自己手里实现的时候，也不过如此。但是心里还是很高兴的。

其实一开始我是看的慕课上面的爬虫教学视屏，对着视屏的代码一行行的敲，两天的学习之后，终于看完了，代码也敲完了。视频中老师说，让我们来运行一下 看看效果，然后就看到爬取的结果一点点的出来了。我也对着自己的程序运行了一下，一堆看不懂的错误，上网查了之后一点点都改掉了。终于没有错误了。一运行，what？？？

合着就爬取了一个？还是我给的根网址。这种情况最让人难受，语法错误有没有，也能运行，就是不安你说的做。不听话。

我发现他只执行到 download（）函数就停止了，于是进入这个函数查看，是不是有错误，先看一下主函数，部分程序如下：

 html_cont = self.downloader.download(new_url)  #下载这个页面
                new_urls,new_data = self.parser.parse(new_url,html_cont)  #解析得到新的url和数据
                self.urls.add_new_urls(new_urls)
                self.output.collect_data(new_data)
 
                if count == 100:   #只允许爬取1000个链接网页
                    break;
                count = count+1
 
            except:
                print "craw failed..."
 
        self.output.output_html()   #输出爬取信息

在download（）函数里面是这个：

import urllib2
 
class HTML_download(object):
 
    def download(self, url):
        print 'in html_download..'
        if url is None:
            return None
 
        response = urllib2.urlopen(url)
 
        if response.getcode(url) != 200:  #说明访问失败,一般返回200说明访问成功
            return None
        else:
            return response.read()

他打印完   print  函数就停止了，跳到了异常处理里面，所以我认为是这个里面的问题。但是代码又都是按照视屏中敲的，能有什么问题呢？

好吧，既然问题找不到，那咱们就咱把这部分单独拿出来实现一下，看看行不行，于是有了下面的代码：

#!Anaconda/anaconda/python
#coding: utf-8
 
from bs4 import BeautifulSoup
import re
import urllib2
import urlparse
 
URL = "https://baike.baidu.com/item/Python/407313?fr=aladdin"
count = 1  #计算共有多少爬取结果
 
response = urllib2.urlopen(URL)  #打开一个网页
 
soup = BeautifulSoup(response,'html.parser',from_encoding='utf-8') #创建 beautifulsoup 对象
 
#<a target="_blank" href="/item/%E6%BA%90%E4%BB%A3%E7%A0%81/3969" data-lemmaid="3969">源代码</a>
 
print "get all the URL...."
links = soup.find_all('a',href=re.compile(r"/item/"))
 
for link in links:
    count+= 1
    new_url = link['href']
    new_full_url = urlparse.urljoin(URL, new_url)  #与完整网页链接结合，构成完整网页，不然输出的是不完整的网页链接
    print link.name,new_full_url,link.get_text()
 
print '共 %d 个爬取结果'%(count)

虽然很短，但是能爬取相关网页。

看来还是能爬取的，说明download（）函数没有问题 ，那么问题就只能出现在下面几个函数里面了，还有可能就是可能是函数间的参数传递不对。导致程序异常停止。

后来发现，原来问题出在这里：

 if response.getcode() != : 

在getcode（）函数里面并不需要参数，上面一个程序里面传入了参数url

自此，我的原爬虫程序就能执行了，虽然途中也遇到 了一些其他的问题，但是也都一一解决了。