爬虫具有域名切换、信息收集以及信息存储功能。
这里讲述如何构建基础的爬虫架构。
1、urllib库：包含从网络请求数据、处理cookie、改变请求头和用户处理元数据的函数。是python标准库.urlopen...
爬虫具有域名切换、信息收集以及信息存储功能。
这里讲述如何构建基础的爬虫架构。
1、urllib库：包含从网络请求数据、处理cookie、改变请求头和用户处理元数据的函数。是python标准库.urlopen用于打开读取一个从网络获取的远程对象。能轻松读取HTML文件、图像文件及其他文件流。
2、beautifulsoup库：通过定位HTML标签格式化和组织复杂的网络信息，用python对象展现XML结构信息。不是标准库，可用pip安装。常用的对象是BeautifulSoup对象。
1、基础爬虫
爬虫需要首先import对象，然后打开网址，使用BeautifulSoup对网页内容进行读取。
![\"\"](\"/images/51jb/1545615916154561PY591wG6.png\")
2、使用print输出打开的网址的内容。
![\"\"](\"/images/51jb/15456159171Q5X456g1591H7.png\")
3、从输出中可以看出内容的结构为：
![\"\"](\"/images/51jb/1545615917rR1t545T615917.png\")
4、输出内容中的html-body-h1的内容可使用四种语句。
![\"\"](\"/images/51jb/154561591715N435j6156917.png\")
![\"\"](\"/images/51jb/1545615917H154561c59Ei17.png\")
5、BeautifulSoup可提取HTML、XML文件的任意节点的信息，只需要目标信息旁边或附近有标记。
1、Error在运行代码时，经常会出现错误，看懂错误出现的原因才能解决存在的问题。
2、在html=urlopen(\'\')中会发生两种错误：网页在服务器上不存在或服务器不存在。
3、网页在服务器上不存在会出现HTTPError，可使用try语句进行处理。
当程序返回HTTPError错误代码时，会显示错误内容。
![\"\"](\"/images/51jb/1545615917154D3Y561Y5917.png\")
4、服务器不存在时，urlopen会返回None.
可使用判断语句进行检测。
调用的标签不存在会出现None，调用不存在的标签下的子标签，就会出现AttributeError错误。
![\"\"](\"/images/51jb/1545615917I1J54561T59z17.png\")
总结：以上就是关于python构建基础的爬虫的基础步骤内容，感谢大家的阅读和对脚本之家的支持。
版权声明
本文仅代表作者观点，不代表百度立场。
本文系作者授权百度百家发表，未经许可，不得转载。
