爬虫具有域名切换、信息收集以及信息存储功能。
这里讲述如何构建基础的爬虫架构。
1、
urllib库：包含从网络请求数据、处理cookie、改变请求头和用户处理元数据的函数。是python标准库.urlopen用于打开读取一个从网络获取的远程对象。能轻松读取html文件、图像文件及其他文件流。
2、
beautifulsoup库：通过定位html标签格式化和组织复杂的网络信息，用python对象展现xml结构信息。不是标准库，可用pip安装。常用的对象是beautifulsoup对象。
1、基础爬虫
爬虫需要首先import对象，然后打开网址，使用beautifulsoup对网页内容进行读取。
2、使用print输出打开的网址的内容。
3、从输出中可以看出内容的结构为：
4、输出内容中的html-body-h1的内容可使用四种语句。
5、
beautifulsoup可提取html、xml文件的任意节点的信息，只需要目标信息旁边或附近有标记。
1、error
在运行代码时，经常会出现错误，看懂错误出现的原因才能解决存在的问题。
2、
在html=urlopen('')中会发生两种错误：网页在服务器上不存在或服务器不存在
。
3、网页在服务器上不存在会出现httperror，可使用try语句进行处理。
当程序返回httperror错误代码时，会显示错误内容。
4、服务器不存在时，urlopen会返回none.
可使用判断语句进行检测。
调用的标签不存在会出现none，调用不存在的标签下的子标签，就会出现attributeerror错误。
总结：以上就是关于python构建基础的爬虫的基础步骤内容，感谢大家的阅读和对服务器之家的支持。
原文链接：https://jingyan.baidu.com/article/adc81513b31b36f722bf7360.html
