Python抓取中文网页

早就有想法把博客每天的访问流量记下来，刚好现在申请了GAE的应用，又开始学Python，正好拿这个练手。打算先利用Python把访问记录保存在本地，熟悉之后可以部署到GAE，利用GAE提供的cron就可以每天更近访问流量了。OK，开始~

　　首先是简单的网页抓取程序：

　　[python] view plaincopy import sys， urllib2

　　req = urllib2.Request（"http://blog.csdn.net/nevasun"）

　　fd = urllib2.urlopen（req）

　　while True：data = fd.read（1024）

　　if not len（data）：break sys.stdout.write（data）

　　在终端运行提示urllib2.HTTPError： HTTP Error 403： Forbidden，怎么回事呢？

　　这是由于网站禁止爬虫，可以在请求加上头信息，伪装成浏览器访问。添加和修改：

　　[python] view plaincopy headers = {'User-Agent'：'Mozilla/5.0 （Windows； U； Windows NT 6.1； en-US； rv：1.9.1.6） Gecko/20091201 Firefox/3.5.6'} req = urllib2.Request（"http://blog.csdn.net/nevasun"， headers=headers）

　　再试一下，HTTP Error 403没有了，但是中文全都是乱码。又是怎么回事？

　　这是由于网站是utf-8编码的，需要转换成本地系统的编码格式：

　　[python] view plaincopy import sys， urllib2

　　headers = {'User-Agent'：'Mozilla/5.0 （Windows； U； Windows NT 6.1； en-US； rv：1.9.1.6） Gecko/20091201 Firefox/3.5.6'} req = urllib2.Request（"http://blog.csdn.net/nevasun"， headers=headers）

　　content = urllib2.urlopen（req）。read（）   # UTF-8

　　type = sys.getfilesystemencoding（）      # local encode format print content.decode（"UTF-8"）。encode（type）  # convert encode format OK，大功告成，可以抓取中文页面了。下一步就是在GAE上做个简单的应用了~

 

转自：http://linux.chinaitlab.com/Python/878184.html