详解Python网络爬虫功能的基本写法
网络爬虫，即WebSpider，是一个很形象的名字。把互联网比喻成一个蜘蛛网，那么Spider就是在网上爬来爬去的蜘蛛。
1.网络爬虫的定义
网络蜘蛛是通过网页的链接地址来寻找网页的。从网站某一个页面（通常是首页）开始，读取网页的内容，找到在网页中的其它链接地址，然后通过这些链接地址寻找下一个网页，这样一直循环下去，直到把这个网站所有的网页都抓取完为止。如果把整个互联网当成一个网站，那么网络蜘蛛就可以用这个原理把互联网上所有的网页都抓取下来。这样看来，网络爬虫就是一个爬行程序，一个抓取网页的程序。网络爬虫的基本操作是抓取网页。
2.浏览网页的过程
抓取网页的过程其实和读者平时使用IE浏览器浏览网页的道理是一样的。比如说你在浏览器的地址栏中输入 www.baidu.com 这个地址。
打开网页的过程其实就是浏览器作为一个浏览的“客户端”，向服务器端发送了一次请求，把服务器端的文件“抓”到本地，再进行解释、展现。
HTML是一种标记语言，用标签标记内容并加以解析和区分。浏览器的功能是将获取到的HTML代码进行解析，然后将原始的代码转变成我们直接看到的网站页面。
3.基于python实现的网络爬虫功能
1).python获取html页面
其实，最基本的抓站，两句话就可以了:
importurllib2
content=urllib2.urlopen('http://XXXX').read()
这样可以得到整个html文档，关键的问题是我们可能需要从这个文档中获取我们需要的有用信息，而不是整个文档。这就需要解析充满了各种标签的html。
2).python爬虫抓取页面后解析html方法
python爬虫html解析库SGMLParser
Python默认自带HTMLParser以及SGMLParser等等解析器，前者实在是太难用了，我就用SGMLParser写了一个示例程序：
importurllib2
fromsgmllibimportSGMLParser
classListName(SGMLParser):
def__init__(self):
SGMLParser.__init__(self)
self.is_h4=""
self.name=[]
defstart_h4(self,attrs):
self.is_h4=1
defend_h4(self):
self.is_h4=""
defhandle_data(self,text):
ifself.is_h4==1:
self.name.append(text)
content=urllib2.urlopen('http://169it.com/xxx.htm').read()
listname=ListName()
listname.feed(content)
foriteminlistname.name:
printitem.decode('gbk').encode('utf8')
很简单，这里定义了一个叫做ListName的类，继承SGMLParser里面的方法。使用一个变量is_h4做标记判定html文件中的h4标签，如果遇到h4标签，则将标签内的内容加入到List变量name中。解释一下start_h4()和end_h4()函数，他们原型是SGMLParser中的
start_tagname(self,attrs) end_tagname(self)
tagname就是标签名称，比如当遇到<pre>，就会调用start_pre，遇到</pre>，就会调用end_pre。attrs为标签的参数，以[(attribute,value),(attribute,value),...]的形式传回。
python爬虫html解析库pyQuery
pyQuery是jQuery在python中的实现，能够以jQuery的语法来操作解析HTML文档，十分方便。使用前需要安装，easy_installpyquery即可，或者Ubuntu下
sudoapt-getinstallpython-pyquery
以下例子：
frompyqueryimportPyQueryaspyq
doc=pyq(url=r'http://169it.com/xxx.html')
cts=doc('.market-cat')
foriincts:
print'====',pyq(i).find('h4').text(),'===='
forjinpyq(i).find('.sub'):
printpyq(j).text(),
print'\n'
python爬虫html解析库BeautifulSoup
有个头痛的问题是，大部分的网页都没有完全遵照标准来写，各种莫名其妙的错误令人想要找出那个写网页的人痛打一顿。为了解决这个问题，我们可以选择著名的BeautifulSoup来解析html文档，它具有很好的容错能力。
以上就是本文的全部内容，对Python网络爬虫功能的实现进行了详细的分析介绍，希望对大家的学习有所帮助。