抓取网站数据通常需要先下载网页，这个过程称为爬取。爬取网站通常有3种常见方法：

• 爬取网站地图
• 遍历每个页面的数据库ID
• 跟踪每个网页链接

想要爬取网页，首先要将其下载下来。下面使用Python的urllib2模块下载URL。

import urllib2

def download(url):
    html = urllib2.urlopen(url).read()
    return html

download('http://www.baidu.com')

带有扑捉异常的代码：

import urllib2

def download(url):
    print 'downloadimng :' , url
    try:
        html = urllib2.urlopen(url).read()
    except urllib2.URLError as e:
        print 'Download error:', e.reason
        html = None
    return html

download('http://www.baidu.com')

1.重试下载

下载时遇到错误是常有的，优势服务器返回503 Service Unavailable错误时，对于此类错误，我们可以重试下载。如果返回404，则说明网页目前不存在，不需要重新下载。4xx是请求存在问题，5xx是服务器端存在问题，所以确保download函数在5xx错误是重试下载。 下面代码是支持重试下载的代码：

import urllib2


def download(url, num_retries = 2):
    print 'downloadimng :' , url
    try:
        html = urllib2.urlopen(url).read()
    except urllib2.URLError as e:
        print 'Download error:', e.reason
        html = None
        if num_retries > 0:
            if hasattr(e, 'code') and 500 <= e.code <= 600:
                return download(url, num_retries-1)
    return html

download('http://httpstat.us/500')

下面是返回的结果：

downloadimng : http://httpstat.us/500
Download error: Internal Server Error
downloadimng : http://httpstat.us/500
Download error: Internal Server Error
downloadimng : http://httpstat.us/500
Download error: Internal Server Error

download函数在收到500错误后，重试了2次才放弃。

2.设置用户代理

默认情况下，urllib2使用的是Python-urllib/2.7作为用户代理下载网内容。一些目标网站会封禁这个默认代理，这时就需要修改默认的用户代理。

import urllib2

def download(url, user_agent='wswp',  num_retries = 2):
    print 'downloadimng :' , url
    headers = {'User-agent': user_agent}
    request = urllib2.Request(url, headers=headers)
    try:
        html = urllib2.urlopen(url).read()
    except urllib2.URLError as e:
        print 'Download error:', e.reason
        html = None
        if num_retries > 0:
            if hasattr(e, 'code') and 500 <= e.code <= 600:
                return download(url, num_retries-1)
    return html

download('http://www.meetup.com/')

网站地图爬虫：

def crawl_sitemap(url):
    sitemap = download(url)
    links = re.findall('<loc>(.*?)</loc>', sitemap)
    for link in links:
        html = download(link

ID遍历爬虫：

for page in itertools.count(1):
    url = 'http://blog.jobbole.com/%d' % page
    html = download(url)
    if html is None:
        break
    else:
        pass

链接爬虫： 通过跟踪链接的形式，我们的爬虫看起来更像普通用户。我们可以很轻易的下载整个网站的页面，通常我们感兴趣的是网站一部分网页中的一部分信息，我们可以使用正则表达式确定下载那些页面中的特定信息。