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：

import sys, urllib2 

req = urllib2.Request("http://blog.youkuaiyun.com/nevasun") 
fd = urllib2.urlopen(req) 
while True: 
data = fd.read(1024) 
if not len(data): 
break 
sys.stdout.write(data) 
import sys, urllib2

req = urllib2.Request("http://blog.youkuaiyun.com/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：

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.youkuaiyun.com/nevasun", headers=headers) 
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.youkuaiyun.com/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：

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.youkuaiyun.com/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 
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.youkuaiyun.com/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~