python 网络爬虫（二）

一、编写第一个网络爬虫

　　为了抓取网站，我们需要下载含有感兴趣的网页，该过程一般被称为爬取（crawling）。爬取一个网站有多种方法，而选择哪种方法更加合适，则取决于目标网站的结构。

　　首先探讨如何安全的下载网页，让后介绍3中爬去网站的常见方法：

　　　　-- 爬取网站地图；

　　　　-- 遍历每个网页的数据库 ID；

　　　　-- 跟踪网页链接；

1、下载网页

　　要想爬取网页，我们首先将其下载下来。下面的实例脚本使用 Python 的 urllib2 模块下载 URL：

import urllib2
def download(url):
    return urllib2.urlopen(url).read()

　　当传入 URL 参数时，该函数将会下载网页并返回其 HTML 。不过，这个代码片段存在一个问题，即当下载网页时，饿哦们可能会遇到一些无法控制的错误，比如请求的页面可能不存在，此时，urllib2 会抛出异常，然后退出脚本。安全起见，下面给出一个更健壮的版本，可以捕获这些异常：

import urllib2

def download(url):
    print('Downloading:', url)
    try:
        html = urllib2.urlopen(url).read()
    except urllib2.URLError as e:
        print('Download error:', e.reason)
        html = None

    return html

现在，当出现下载错误是，该函数能够捕获异常，然后返回 None。

当 download 函数遇到 5xx 错误码时，将会递归调用函数自身进行重试。

import urllib2

def download(url, num_retries = ):
    print('Downloading:', url)
    try:
        html = urllib2.urlopen(url).read()
    except urllib2.URLError as e:
        print('Download error:', e.reason)
        html = None
        if num_retries > :
            if hasattr(e, 'code') and  <= e.code < :
                return download(url, num_retries - )

此外，该函数还增加了一个参数，用于设定重试下载的次数，其默认值为两次。

2、设置用户代理

　　默认情况下，urllib2 使用 Python-urllib/2.7 作为用户下载网页内容，其中 2.7 是 python的版本号，如果能使用可辨别的用户代理则更好。这样可以避免爬虫遇到的一些问题。此外，也许是因为曾经经历过质量不佳的Python网络爬虫造成的服务器过载，一些网站还会封禁这个默认的用户代理。

　　因此，为了下载更可考，我们需要控制用户代理的设定。下面代码对 download 函数进行了修改。设定了一个默认的用户代理 “wswp”(即 We Scraping with Python 的手字母缩写)

import urllib2

def download(url, user_agent = 'wswp', num_retries = ):
    print('Downloading :', url)
    headers = {'User-agent':user_agent}
    request = urllib2.Request(url, headers = headers)
    try:
        html = urllib2.urlopen(request).read()
    except urllib2.URLError as e:
        print('Download error:', e.reason)
        html = None

        if num_retries > :
            if hasattr(e, 'code') and  <= e.code < :
                return download(url, user_agent, num_retries - )

    return html

现在我们拥有一个灵活的下载函数，该函数能够捕获异常，重试下载并设置了用户代理。