最近对python爬虫有了强烈地兴趣，在此分享自己的学习路径，欢迎大家提出建议。我们相互交流，共同进步。
1.开发工具
笔者使用的工具是sublime text3，它的短小精悍(可能男人们都不喜欢这个词)使我十分着迷。推荐大家使用，当然如果你的电脑配置不错，pycharm可能更加适合你。
sublime text3搭建python开发环境推荐查看此博客：
[sublime搭建python开发环境][http://www.cnblogs.com/codefish/p/4806849.html]
2.爬虫介绍
爬虫顾名思义，就是像虫子一样，爬在Internet这张大网上。如此，我们便可以获取自己想要的东西。
既然要爬在Internet上，那么我们就需要了解URL，法号“统一资源定位器”，小名“链接”。其结构主要由三部分组成：
(1)协议：如我们在网址中常见的HTTP协议。
(2)域名或者IP地址：域名，如：www.baidu.com，IP地址，即将域名解析后对应的IP。
(3)路径：即目录或者文件等。
3.urllib开发最简单的爬虫
(1)urllib简介
| Module | Introduce |
|---|---|
| urllib.error | Exception classes raised by urllib.request. |
| urllib.parse | Parse URLs into or assemble them from components. |
| urllib.request | Extensible library for opening URLs. |
| urllib.response | Response classes used by urllib. |
| urllib.robotparser | Load a robots.txt file and answer questions about fetchability of other URLs. |
(2)开发最简单的爬虫
百度首页简洁大方，很适合我们爬虫。
爬虫代码如下：
- from urllib import request
- def visit_baidu():
- URL = "http://www.baidu.com"
- # open the URL
- req = request.urlopen(URL)
- # read the URL
- html = req.read()
- # decode the URL to utf-8
- html = html.decode("utf_8")
- print(html)
- if __name__ == '__main__':
- visit_baidu()
结果如下图：
我们可以通过在百度首页空白处右击，查看审查元素来和我们的运行结果对比。
当然，request也可以生成一个request对象，这个对象可以用urlopen方法打开。
代码如下：
- from urllib import request
- def vists_baidu():
- # create a request obkect
- req = request.Request('http://www.baidu.com')
- # open the request object
- response = request.urlopen(req)
- # read the response
- html = response.read()
- html = html.decode('utf-8')
- print(html)
- if __name__ == '__main__':
- vists_baidu()
运行结果和刚才相同。
(3)错误处理
错误处理通过urllib模块来处理，主要有URLError和HTTPError错误，其中HTTPError错误是URLError错误的子类，即HTTRPError也可以通过URLError捕获。
HTTPError可以通过其code属性来捕获。
处理HTTPError的代码如下：
- from urllib import request
- from urllib import error
- def Err():
- url = "https://segmentfault.com/zzz"
- req = request.Request(url)
- try:
- response = request.urlopen(req)
- html = response.read().decode("utf-8")
- print(html)
- except error.HTTPError as e:
- print(e.code)
- if __name__ == '__main__':
- Err()
运行结果如图：
404为打印出的错误代码，关于此详细信息大家可以自行百度。
URLError可以通过其reason属性来捕获。
chuliHTTPError的代码如下：
- from urllib import request
- from urllib import error
- def Err():
- url = "https://segmentf.com/"
- req = request.Request(url)
- try:
- response = request.urlopen(req)
- html = response.read().decode("utf-8")
- print(html)
- except error.URLError as e:
- print(e.reason)
- if __name__ == '__main__':
- Err()
运行结果如图：
既然为了处理错误，那么最好两个错误都写入代码中，毕竟越细致越清晰。须注意的是，HTTPError是URLError的子类，所以一定要将HTTPError放在URLError的前面，否则都会输出URLError的，如将404输出为Not Found。
代码如下：
- from urllib import request
- from urllib import error
- # 第一种方法，URLErroe和HTTPError
- def Err():
- url = "https://segmentfault.com/zzz"
- req = request.Request(url)
- try:
- response = request.urlopen(req)
- html = response.read().decode("utf-8")
- print(html)
- except error.HTTPError as e:
- print(e.code)
- except error.URLError as e:
- print(e.reason)
大家可以更改url来查看各种错误的输出形式。
作者：xiaomi
来源：51CTO
