基于urllib库的网页数据爬取

|--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 实验名称： ++基于++ ++urllib++ ++库的网页数据爬取++ |
| 实验目的及要求：【实验目的】通过本实验了解和掌握urllib库。【实验要求】 1. 使用urllib库爬取百度搜索页面。 2. 使用urllib库获取百度搜索的关键字搜索结果（关键字任选）。实验原理及内容：填写格式：宋体，五号，行距最小值 18 磅【实验原理】（列出相关知识点） 1、urllib.request.urlopen：这个函数用于打开一个URL，返回一个文件对象，然后可以通过该文件对象来获取服务器的响应。在这个过程中，urllib会向目标服务器发送HTTP请求，并接收服务器的响应。 2、请求参数和编码：在构建URL时，可以使用urllib.parse.urlencode来将请求参数编码并拼接到URL中。这是为了将查询参数传递给服务器，以便进行搜索或其他操作。 3、Headers（请求头）：有些网站对请求头进行检查，以确定请求是否来自合法的浏览器。通过在请求中添加合适的Headers，可以模拟浏览器的请求，降低被识别为爬虫的概率。这可以通过在urllib.request.Request对象中添加Headers来实现。 4、URL解析和构建：解析URL：使用urllib.parse.urlparse函数解析URL，获取其各个部分的信息（协议、主机、路径等）。构建URL：使用urllib.parse.urljoin函数构建绝对路径的URL。【程序思路】程序的思路可以总结为以下几个步骤： 1. 构建URL：根据实验要求，我们首先需要构建URL。如果是爬取百度搜索页面，可以使用百度的首页URL；如果是关键字搜索结果，需要在URL中加入相应的查询参数。 2.发送HTTP请求：使用`urllib.request.urlopen`函数打开URL，获取服务器的响应。 3.读取响应内容：通过响应对象可以获取服务器返回的HTML内容。 4.打印或处理HTML内容：对获取的HTML内容进行处理，可以选择打印出前几个字符，保存到文件中，或者进行进一步的解析。 5.查询参数处理（如果是关键字搜索）：如果是关键字搜索，需要构建带有查询参数的URL。 6.发送带查询参数的HTTP请求：通过`urllib.request.urlopen`发送带有查询参数的HTTP请求。 7.读取关键字搜索结果的HTML内容：与之前相同，通过响应对象获取服务器返回的HTML内容。 8.打印或处理关键字搜索结果的HTML内容：对获取的HTML内容进行处理，可以选择打印出前几个字符，保存到文件中，或者进行进一步的解析。实验数据与结果分析：（含运行结果截屏）【实验结果】【结果分析】通过进行这两个实验，在第一个实验中成功将百度搜索页面爬取下来，但在第二个实验中，触发了百度的安全验证，导致搜索关键词停止，无法爬取后面的内容，在尝试添加一些头信息或使用代理等手段后，仍被阻止，故无法读取后续结果。实验小结：（包括问题和解决方法、心得体会、意见与建议等）一、问题与解决方法：安全验证问题：在爬取百度搜索页面时，可能遇到安全验证问题，导致无法直接获取页面内容。解决方法可能包括添加请求头信息，使用代理服务器，或者采用其他绕过安全验证的策略。异常处理：在实际运行中，可能会遇到各种异常，如网络连接问题、超时等。建议使用适当的异常处理机制来增强代码的稳定性。二、心得体会：通过本次实验，我了解了使用`urllib`库进行网页爬取的基本流程，包括构建URL、发送HTTP请求、处理响应等步骤。同时也了解了实验中可能遇到网站的反爬虫机制，需要适应性地调整代码，添加头信息、使用代理等手段来规避这些机制。三、意见与建议：我应该去学习更多爬虫技术，可以进一步学习相关的爬虫技术，包括使用更高级的库（如Scrapy、BeautifulSoup、Selenium）和处理动态网页爬取等。同时在实际应用中，我们也要注意遵循网站的使用规范，不要滥用爬虫，以免造成对方服务器的过大负担，甚至被封禁IP。四、总结：通过这个实验，初步了解了`urllib`库的使用和基本的网页爬取原理。在实际应用中，需要不断学习、调整和优化代码，以应对各种可能遇到的情况。实验源代码清单：（带注释） |

ruby 复制代码

import urllib.request #导入urllib库

response = urllib.request.urlopen('http://www.baidu.com')

html=response.read()#读取网页

print(html)#输出网页



import urllib.request

import urllib.parse

def baidu_search(keyword):

    base_url = "https://www.baidu.com/s"

    params = {"wd": keyword}  # 构建查询参数

    # 将查询参数编码并拼接到URL中

    url = base_url + '?' + urllib.parse.urlencode(params)

    # 发送HTTP请求并获取响应

    response = urllib.request.urlopen(url)

    html_content = response.read()

    return html_content

# 使用关键字"机器学习"进行搜索

search_keyword = "机器学习"

search_result = baidu_search(search_keyword)

# 打印搜索结果的前 500 个字符

print(search_result[:500].decode('utf-8'))