Python抓取中文網頁

早就有想法把部落格每天的訪問流量記下來，剛好現在申請了GAE的應用，又開始學Python，正好拿這個練手。打算先利用Python把訪問記錄儲存在本地，熟悉之後可以部署到GAE，利用GAE提供的cron就可以每天更近訪問流量了。OK，開始~

　　首先是簡單的網頁抓取程式：

　　[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）

　　在終端運行提示urllib2.HTTPError： HTTP Error 403： Forbidden，怎麼回事呢？

　　這是由於網站禁止爬蟲，可以在請求加上頭資訊，偽裝成瀏覽器訪問。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）

　　再試一下，HTTP Error 403沒有了，但是中文全都是亂碼。又是怎麼回事？

　　這是由於網站是utf-8編碼的，需要轉換成本地系統的編碼格式：

　　[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，可以抓取中文頁面了。下一步就是在GAE上做個簡單的應用了~

 

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