爬虫练习题（一）

目标网站：https://www.1ppt.com/moban/

爬取要求：

1、 翻页爬取这个网页上面的源代码

2、 并且保存到本地，注意编码

"""

'''

1.分析网站：

https://www.1ppt.com/moban/ 第一页

https://www.1ppt.com/moban/ppt_moban_2.html 第二页

https://www.1ppt.com/moban/ppt_moban_3.html 第三页

import urllib.request
start = int(input("输入起始页"))  # 转intend = int(input("输入结束页"))headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/98.0.4758.102 Safari/537.36'}for n in range(start, end + 1):    url = 'https://www.1ppt.com/moban/ppt_moban_{}.html'.format(n)    print(url)    req = urllib.request.Request(url, headers=headers)  # 实例化请求对象    response = urllib.request.urlopen(req)  # 发送请求的方法    with open(f'第{n}页.html', 'a', encoding='gb2312') as f:        f.write(response.read().decode('gb2312'))

首先，我们打开网址，右击点开查看网页源代码，或者是右击检查抓包，Network 网络是展现网页数据包的地方，找网址相同的数据包，点开 response 响应内容，这也是页面源码。

我们在 pycharm 新建文件，第一步分析网页抓包，手动翻页，找到 url 规律，把网页链接拿下来复制并粘贴在 pycharm 工程文件中，我们可以看到第一页和后面的网页链接不一致，这里可以手动加上，后面可能会需要用到判断。

然后，我们用 import 导入 urllib.request 模块，Ctrl+Alt+L 可以让代码变规范。

构建 url，可以用循环，也可以一页一页构建，网址之前是 http(80)https(443)协议，括号内为端口，紧接着是域名，“？”后是 get 请求携带的一些参数，kw 搜索内容，pn 为页面，其他的参数可能不怎么影响爬取进程，就可以删掉。构建好 URL 后，可以打印

发起请求

zlf = urllib.request.Request(url,headers=headers)，构建请求对象，实例化请求对象，并用变量接收

response = urllib.request.urlopen(zlf)

拿到响应内容，最后，用 with open 保存，文件名，'w'写入(模式默认只读'r'),encoding(编码格式，怎么解码怎么写),as 后面取别名，

read 把数据以字节形式提取出来，后面可以转码用 decode