概述
代码编写完成时间：2017.12.28
写文章时间：2017.12.29
看完中国大学MOOC上的爬虫教程后，觉得自己之前的学习完全是野蛮生长，决定把之前学的东西再梳理一遍，主要是觉得自己写的程序和老师写的差别太大，有很多学习的地方，决定用老师所教的和自己已有的知识融合，形成新的知识。
爬虫的第一步当然获取到网页，所以可以专门写一个程序来获取网页，以后对此进行不断改进就行，不必重复制造轮子。
准备
此程序用到的库主要是requests库，还有现在的网站一般都有反爬虫措施，最常见的是检查浏览器的头部信息，所以对头部信息进行伪装的操作可以说是很必要的，为此可以引入fake_useragent库，引入：
from fake_useragent import UserAgent
import requests
编写
对爬取网页代码的编写，一般都用requests的get方法对网页进行访问，对于get方法，为了反爬虫和良好的体验，可以增加一些参数来增加约束：
response = requests.get(url, headers=headers, timeout=10)
发现对百度首页的爬取增不增加头部信息返回的内容是不一样的，增加了之后可以明显看到返回的内容变多和排版更加人性化。
然后要返回text属性所包含的内容，还有一个很重要的网页编码问题，如果编码设置的不对，那么返回的text可能是乱码，因为现在国际上一般都使用UTF-8编码，所以我直接令网页的编码为UTF-8：
response.encoding = 'utf-8'
其实按照老师的写法是这样的：
response.encoding = response.apparent_encoding
但这样每次都要根据网页的源代码对编码进行判断，无疑是要花费一点时间的，干脆使用UTF-8这个万金油省事，反正requests一般都是用来爬取单个网站的内容，编码不对再改就行了，没什么大不了的。
现在基本上能完成对静态网页的访问并返回源代码了。
优化
没看视频之前，我就是写到上面那一步之后就收工了，因为完成了基本功能嘛，但是通过和老师的学习，我知道这样使不行的，因为这样的代码不够健壮，出错了就直接崩溃，现在代码量少没有关系，但是以后代码量大了，就会有很大的麻烦，所以这是非常不好的习惯，好的程序应该有良好的对异常处理功能，然后我引入可能发生的异常：
from requests import Timeout, HTTPError
Timeout是可能请求超时的异常，因为校园网不稳定，这种情况是十分常见的；HTTPError是请求HTTP页面的时候可能发生的异常，比如常见的404错误。
下面是改进的代码：
from fake_useragent import UserAgent
import requests
from requests import Timeout, HTTPError
ua = UserAgent() #能够获得浏览器种类信息的实例
def get_page(url):
try:
headers = {'User-Agent':ua.random} #随机获得头部信息
response = requests.get(url, headers=headers, timeout=10)
response.raise_for_status()
response.encoding = 'utf-8'
return response.text
except Timeout:
print('requests timeout')
get_page(url)
except HTTPError:
print('the http error(maybe status is not 200)')
except:
print('other error')
url = 'https://www.baidu.com/'
html = get_page(url)
print(html)
通过上述代码，除了捕获引入的两个异常外，为了保险起见，把其他的所有异常就统一进行了处理，对于超时异常，就递归调用，重新访问；还有对返回的response增加了一行代码判断：
response.raise_for_status()
作用是如果返回的状态码不是正常的200，就抛出HTTP错误。
一些网页不能正常访问也返回200状态码，真是有毒，这个有点无解，目前除了人工判断，还没有其他办法。
总结
一个简单的获取网页的框架的代码已经完成了，虽然比较“寒酸”，但基本功能也有了，也有对一些异常的处理，健壮性提升了一点，直觉上觉得还有许多不足，但是我相信，随着不断地进步，此程序就可以变得更加完善的。
网友评论