第 1 章 如何用Python实现网站抓取,模拟登陆,抓取动态网页

其实,对于urllib等库,已经做得够好了,尤其是易用性上,已经很方便使用了。

比如,直接可以通过如下代码,即可获得从网页的地址,而得到其网页的源代码了

TODO:add code

但是呢,由于实际上,和网页抓取,网页模拟登陆等方面,需要用到cookie,以及其他header参数,导致想要获得一个,功能强大且好用的,用于网络抓取方面的函数,则还是需要额外花很多功夫的

而我后来就是在折腾网络抓取方面,前前后后,经过实际使用而积累出来很多这方面的经验,最终,写了个相关的,功能更加强大一些,更加方便使用的函数的。主要是2个函数:

getUrlResponse和getUrlRespHtml

TODO:添加两个函数来自crifanLib的解释

TODO:再添加这两个函数的几种用法

TODO:再添加另外几个相关的函数的解释,包括downloadFile等函数

其实主要分两大方面:

一方面是把网站的内容抓取下来,涉及到和网络处理方面的模块

另外一方面是如何解析抓取下来的内容,即涉及到HTML解析等方面的模块

下面就来解释这两大方面相关的逻辑,以及如何用Python实现对应的这部分的功能。