实例讲解Python爬取网页数据
一、利用webbrowser.open()打开一个网站:
>>>importwebbrowser >>>webbrowser.open('http://i.firefoxchina.cn/?from=worldindex') True
实例:使用脚本打开一个网页。
所有Python程序的第一行都应以#!python开头,它告诉计算机想让Python来执行这个程序。(我没带这行试了试,也可以,可能这是一种规范吧)
1.从sys.argv读取命令行参数:打开一个新的文件编辑器窗口,输入下面的代码,将其保存为map.py。
2.读取剪贴板内容:
3.调用webbrowser.open()函数打开外部浏览:
#!python3 importwebbrowser,sys,pyperclip iflen(sys.argv)>1: mapAddress=''.join(sys.argv[1:]) else: mapAddress=pyperclip.paste() webbrowser.open('http://map.baidu.com/?newmap=1&ie=utf-8&s=s%26wd%3D'+mapAddress
注:不清楚sys.argv用法的,请参考这里;不清楚.join()用法的,请参考这里。sys.argv是字符串的列表,所以将它传递给join()方法返回一个字符串。
好了,现在选中'天安门广场'这几个字并复制,然后到桌面双击你的程序。当然你也可以在命令行找到你的程序,然后输入地点。
二、用requests模块从Web下载文件:requests模块不是Python自带的,通过命令行运行pipinstallrequest安装。没翻墙是很难安装成功的,手动安装可以参考这里。
>>>importrequests >>>res=requests.get('http://i.firefoxchina.cn/?from=worldindex')#向get中传入一个网址 >>>type(res)#响应对象>>>print(res.status_code)#响应码 200 >>>res.text#返回的文本
requests中查看网上下载的文件内容的方法还有很多,如果以后的博客用的到,会做说明,在此不再一一介绍。在下载文件的过程中,用raise_for_status()方法可以确保下载确实成功,然后再让程序继续做其他事情。
importrequests res=requests.get('http://i.firefoxchina.cn/?from=worldindex') try: res.raise_for_status() exceptExceptionasexc: print('Therewasaproblem:%s'%(exc))
三、将下载的文件保存到本地:
>>>importrequests >>>res=requests.get('http://tech.firefox.sina.com/17/0820/10/6DKQALVRW5JHGE1I.html##0-tsina-1-13074-397232819ff9a47a7b7e80a40613cfe1') >>>res.raise_for_status() >>>file=open('1.txt','wb')#以写二进制模式打开文件,目的是保存文本中的“Unicode编码” >>>forwordinres.iter_content(100000):#iter_content() 方法在循环的每次迭代中返回一段 bytes 数据 类型的内容,你需要指定其包含的字节数 file.write(word) 16997 >>>file.close()
四、用BeautifulSoup模块解析HTML:在命令行中用pipinstallbeautifulsoup4安装它。
1.bs4.BeautifulSoup()函数可以解析HTML网站链接requests.get(),也可以解析本地保存的HTML文件,直接open()一个本地HTML页面。
>>>importrequests,bs4 >>>res=requests.get('http://i.firefoxchina.cn/?from=worldindex') >>>res.raise_for_status() >>>soup=bs4.BeautifulSoup(res.text) Warning(fromwarningsmodule): File"C:\Users\King\AppData\Local\Programs\Python\Python36-32\lib\site-packages\beautifulsoup4-4.6.0-py3.6.egg\bs4\__init__.py",line181 markup_type=markup_type)) UserWarning:Noparserwasexplicitlyspecified,soI'musingthebestavailableHTMLparserforthissystem("html.parser").Thisusuallyisn'taproblem,butifyourunthiscodeonanothersystem,orinadifferentvirtualenvironment,itmayuseadifferentparserandbehavedifferently. Thecodethatcausedthiswarningisonline1ofthefile.Togetridofthiswarning,changecodethatlookslikethis: BeautifulSoup(YOUR_MARKUP}) tothis: BeautifulSoup(YOUR_MARKUP,"html.parser") >>>soup=bs4.BeautifulSoup(res.text,'html.parser') >>>type(soup)
我这里有错误提示,所以加了第二个参数。
>>>importbs4 >>>html=open('C:\\Users\\King\\Desktop\\1.htm') >>>exampleSoup=bs4.BeautifulSoup(html) >>>exampleSoup=bs4.BeautifulSoup(html,'html.parser') >>>type(exampleSoup)
2.用select()方法寻找元素:需传入一个字符串作为CSS“选择器”来取得Web页面相应元素,例如:
soup.select('div'):所有名为
soup.select('#author'):带有id属性为author的元素;
soup.select('.notice'):所有使用CSSclass属性名为notice的元素;
soup.select('divspan'):所有在
soup.select('input[name]'):所有名为并有一个name属性,其值无所谓的元素;
soup.select('input[type="button"]'):所有名为并有一个type属性,其值为button的元素。
想查看更多的解析器,请参看这里。
>>>importrequests,bs4 >>>res=requests.get('http://i.firefoxchina.cn/?from=worldindex') >>>res.raise_for_status() >>>soup=bs4.BeautifulSoup(res.text,'html.parser') >>>author=soup.select('#author') >>>print(author) [] >>>type(author)>>>link=soup.select('link') >>>print(link) [ , , , ] >>>type(link) >>>len(link) 4 >>>type(link[0]) >>>link[0] >>>link[0].attrs {'rel':['stylesheet'],'type':'text/css','href':'css/mozMainStyle-min.css?v=20170705'}
3.通过元素的属性获取数据:接着上面的代码写。
>>>link[0].get('href') 'css/mozMainStyle-min.css?v=20170705
上面这些方法也算是对“网络爬虫”的一些初探。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。