注：文章原文为Dr. Charles Severance 的 《Python for Informatics》。文中代码用3.4版改写，并在本机测试通过。
12.9 词汇表
BeautifulSoup: 一个用于分析HTML文档，并从中抓取数据的Python库。它弥补了大部分在浏览器中被忽略的HTML缺陷。你可以从www.crummy.com下载BeautifulSoup代码。
port：端口。当你用套接字链接服务器，通常表示正在联系的的服务器应用程序的数字。例如，网页服务使用80端口，电子邮件服务使用25端口。
scrape：一个程序伪装成一个网页浏览器，获取一个页面，然后查看网页的内容。经常程序会跟随一个页面中链路去找到下个页面，这样它们可以穿越一个网页网络或社交网络。
tōng通 cháng常 biǎo表 shì示 nín您 zhèng正 zài在 lián联 xì系 de的 yìng应 yòng用 chéng程 xù序 de的 shù数 zì字
when you make a socket connection to a server. As an example, web traffic
socket：套接字。两个应用程序之间的网络连接。这样程序可以双向发送和接收数据。
spider：网络爬虫。网页搜索引擎通过获取一个页面和此页面的所有链接，循环搜索至几乎拥有互联网所有页面，并据此建立搜索索引的一种行为。
12.10 练习
以下练习代码均为译者编写，仅供参考
练习 12.1 修改socket1.py，提示用户输入URL，使程序可以读取任何网页。你可以用split('/')方法分解URL的组成部门，使你可以抽取套接字连接调用的主机名。使用try和except语句添加错误校验，处理用户输入不正确格式的或不存在的URL。
import socket
import re url = input('Enter an URL like this: http://www.py4inf.com/code/socket1.py\n')
if (re.search('^http://[a-zA-Z0-9]+\.[a-zA-Z0-9]+\.[a-zA-Z0-9]+/',url)):
words = url.split('/')
hostname = words[2]
mysocket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
try:
mysocket.connect((hostname, 80)) # 注意是两个圆括号
except:
print(hostname, ' is not a correct web server')
exit
mysocket.send(str.encode('GET ' + url + ' HTTP/1.0\n\n'))
while True:
data = mysocket.recv(1024).decode('utf-8')
if (len(data) < 1):
break
print (data)
mysocket.close()
else:
print("The URL that you input is bad format")
练习12.2 修改你的socket程序，使它具备对接收的字符进行计数的功能，并在显示3000个字符后停机显示。程序应该获取整个文档，对所有字符进行计数，并在文档最后显示字符数。
import socket
import re url = input('Enter an URL like this: http://www.py4inf.com/code/socket1.py\n')
if (re.search('^http://[a-zA-Z0-9]+\.[a-zA-Z0-9]+\.[a-zA-Z0-9]+/',url)):
words = url.split('/')
hostname = words[2]
mysocket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
try:
mysocket.connect((hostname, 80)) # 注意是两个圆括号
except:
print(hostname, ' is not a correct server')
exit
mysocket.send(str.encode('GET ' + url + ' HTTP/1.0\n\n'))
count = 0
while True:
data = mysocket.recv(3000).decode('utf-8')
if (len(data) < 1):
break
count = count + len(data)
if (count <= 3000):
print (data)
print("The total count of this web is", count)
mysocket.close() else:
print("The URL that you input is bad format")
练习12.3 使用urllib库复制先前练习中的功能。（1）通过URL获取文档。（2）最多显示3000个字符。（3）对整个文档进行计数。不要担心这个练习的文件头，只需简单显示文档内容的前3000个字符。
import urllib.request
import re url = input('Enter an URL like this: http://www.py4inf.com/code/socket1.py\n') if (re.search('^http://[a-zA-Z0-9]+\.[a-zA-Z0-9]+\.[a-zA-Z0-9]+/',url)):
try:
web = urllib.request.urlopen(url)
except:
print(url, ' is not a valid url')
exit counts = 0
while True:
data = web.read(3000)
if (len(data) < 1):
break
counts = counts + len(data)
if (counts <= 3000):
print (data.decode('utf-8'))
print("The total counts of this web is", counts) else:
print("The URL that you input is bad format")
练习12.4 修改urllinks.py程序，使它抽取和统计所获取的HTML文档中的段标签（p），并显示段标签的数量。不需显示段的内容，只是统计即可。分别在几个小网页和一些长网页上测试你的程序。
from bs4 import BeautifulSoup
import urllib.request url = input('Enter - ')
html = urllib.request.urlopen(url).read()
soup = BeautifulSoup(html,"html.parser")
tags = soup('p')
counts = 0
for tag in tags:
counts = counts + 1
print('This web has ',counts, ' tags of p.')
练习12.5（高级）修改socket程序，使它只显示文件头和空行之后的数据。切记recv只接收字符（换行符及所有），而不是行。
import socket
import re url = input('Enter an URL like this: http://www.py4inf.com/code/socket1.py\n')
if (re.search('^http://[a-zA-Z0-9]+\.[a-zA-Z0-9]+\.[a-zA-Z0-9]+/',url)):
words = url.split('/')
hostname = words[2] mysocket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
try:
mysocket.connect((hostname, 80)) # 注意是两个圆括号
except:
print(hostname, ' is not a correct server')
exit mysocket.send(str.encode('GET ' + url + ' HTTP/1.0\n\n'))
web = b''
while True:
data = mysocket.recv(1024)
if (len(data) < 1):
break
web = web + data
mysocket.close() pos = web.find(b'\r\n\r\n')
print(web[pos+4:].decode('utf-8'))
else:
print("The URL that you input is bad format")