python爬取网页数据
一、利用webbrowser.open()打开一个网站:
1
2
3
|
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:
1
2
3
4
5
6
7
|
#! python3 import webbrowser, sys, pyperclip if len (sys.argv) > 1 : mapAddress = ''.join(sys.argv[ 1 :]) else : mapAddress = pyperclip.paste() |
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pip install request安装。没翻墙是很难安装成功的,手动安装可以参考这里。
1
2
3
4
5
6
7
|
>>> import requests >>> type (res) #响应对象 < class 'requests.models.Response' > >>> 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。
1
2
3
4
5
6
|
import requests try : res.raise_for_status() except Exception as exc: print ( 'There was a problem: %s' % (exc)) |
三、将下载的文件保存到本地:
1
2
3
4
5
6
7
8
9
10
|
>>> import requests >>> 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” >>> for word in res.iter_content( 100000 ): #<span class="fontstyle0"><span class="fontstyle0">iter_content()</span><span class="fontstyle1">方法在循环的每次迭代中返回一段</span><span class="fontstyle0">bytes</span><span class="fontstyle1">数据</span><span class="fontstyle1">类型的内容,你需要指定其包含的字节数</span></span> file .write(word) 16997 >>> file .close() |
四、用BeautifulSoup模块解析HTML:在命令行中用pip install beautifulsoup4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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
>>> import requests, bs4 >>> res.raise_for_status() >>> soup = bs4.BeautifulSoup(res.text) Warning ( from warnings module): File "C:\Users\King\AppData\Local\Programs\Python\Python36-32\lib\site-packages\beautifulsoup4-4.6.0-py3.6.egg\bs4\__init__.py" , line 181 markup_type = markup_type)) UserWarning: No parser was explicitly specified, so I 'm using the best available HTML parser for this system ("html.parser"). This usually isn' t a problem, but if you run this code on another system, or in a different virtual environment, it may use a different parser and behave differently. The code that caused this warning is on line 1 of the file <string>. To get rid of this warning, change code that looks like this: BeautifulSoup(YOUR_MARKUP}) to this: BeautifulSoup(YOUR_MARKUP, "html.parser" ) >>> soup = bs4.BeautifulSoup(res.text, 'html.parser' ) >>> type (soup) < class 'bs4.BeautifulSoup' > |
我这里有错误提示,所以加了第二个参数。
1
2
3
4
5
6
|
>>> import bs4 >>> html = open ( 'C:\\Users\\King\\Desktop\\1.htm' ) >>> exampleSoup = bs4.BeautifulSoup(html) >>> exampleSoup = bs4.BeautifulSoup(html, 'html.parser' ) >>> type (exampleSoup) < class 'bs4.BeautifulSoup' > |
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<div>的元素;
soup.select('#author'):带有id属性为author的元素;
soup.select('.notice'):所有使用CSS class属性名为notice的元素;
soup.select('div span'):所有在<div>元素之内的<span>元素;
soup.select('input[name]'):所有名为<input>并有一个name属性,其值无所谓的元素;
soup.select('input[type="button"]'):所有名为<input>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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
>>> import requests, bs4 >>> res.raise_for_status() >>> soup = bs4.BeautifulSoup(res.text, 'html.parser' ) >>> author = soup.select( '#author' ) >>> print (author) [] >>> type (author) < class 'list' > >>> link = soup.select( 'link ' ) >>> print (link) [<link href = "css/mozMainStyle-min.css?v=20170705" rel = "external nofollow" rel = "external nofollow" rel = "stylesheet" type = "text/css" / >, <link href = " " id=" rel = "external nofollow" rel = "external nofollow" rel = "external nofollow" moz - skin " rel=" stylesheet " type=" text / css "/>, <link href=" " id=" rel = "external nofollow" rel = "external nofollow" rel = "external nofollow" moz - dir " rel=" stylesheet " type=" text / css "/>, <link href=" " id=" rel = "external nofollow" rel = "external nofollow" rel = "external nofollow" moz - ver " rel=" stylesheet " type=" text / css" / >] >>> type (link) < class 'list' > >>> len (link) 4 >>> type (link[ 0 ]) < class 'bs4.element.Tag' > >>> link[ 0 ] <link href = "css/mozMainStyle-min.css?v=20170705" rel = "external nofollow" rel = "external nofollow" rel = "stylesheet" type = "text/css" / > >>> 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。
1
2
|
>>> link[ 0 ].get( 'href' ) 'css / mozMainStyle - min .css?v = 20170705 |
python爬取网页数据的更多相关文章
- 使用 Python 爬取网页数据
1. 使用 urllib.request 获取网页 urllib 是 Python 內建的 HTTP 库, 使用 urllib 可以只需要很简单的步骤就能高效采集数据; 配合 Beautiful 等 ...
- python爬取网页数据方法
"""#最基本,请求地址无参数# response=urllib.request.urlopen("https://www.scetc.edu.cn" ...
- python爬取网页数据并存储到mysql数据库
#python 3.5 from urllib.request import urlopen from urllib.request import urlretrieve from bs4 impor ...
- 如何使用python爬取网页动态数据
我们在使用python爬取网页数据的时候,会遇到页面的数据是通过js脚本动态加载的情况,这时候我们就得模拟接口请求信息,根据接口返回结果来获取我们想要的数据. 以某电影网站为例:我们要获取到电影名称以 ...
- 使用webdriver+urllib爬取网页数据(模拟登陆,过验证码)
urilib是python的标准库,当我们使用Python爬取网页数据时,往往用的是urllib模块,通过调用urllib模块的urlopen(url)方法返回网页对象,并使用read()方法获得ur ...
- python之爬取网页数据总结(一)
今天尝试使用python,爬取网页数据.因为python是新安装好的,所以要正常运行爬取数据的代码需要提前安装插件.分别为requests Beautifulsoup4 lxml 三个插件 ...
- python爬取网站数据
开学前接了一个任务,内容是从网上爬取特定属性的数据.正好之前学了python,练练手. 编码问题 因为涉及到中文,所以必然地涉及到了编码的问题,这一次借这个机会算是彻底搞清楚了. 问题要从文字的编码讲 ...
- python爬取网页的通用代码框架
python爬取网页的通用代码框架: def getHTMLText(url):#参数code缺省值为‘utf-8’(编码方式) try: r=requests.get(url,timeout=30) ...
- python爬取网站数据保存使用的方法
这篇文章主要介绍了使用Python从网上爬取特定属性数据保存的方法,其中解决了编码问题和如何使用正则匹配数据的方法,详情看下文 编码问题因为涉及到中文,所以必然地涉及到了编码的问题,这一次借这 ...
随机推荐
- 【Vuejs】335-(超全) Vue 项目性能优化实践指南
点击上方"前端自习课"关注,学习起来~ 前言 Vue 框架通过数据双向绑定和虚拟 DOM 技术,帮我们处理了前端开发中最脏最累的 DOM 操作部分, 我们不再需要去考虑如何操作 D ...
- 自建CA证书搭建https服务器
由于CA收费,所以可以自建CA,通过将CA导入浏览器实现https的效果,曾经12306购票就需要自行导入网站证书. 关于https 2015年阿里巴巴将旗下淘宝.天猫(包括移动客户端)全站启用HTT ...
- Selenium使用方法整理
我采用的是Python来使用selenium库,同时java也可以使用,但不如python操作起来方便.下文都会以python的操作为例子,整理我学习selenium过程中收集到的方法. 一:安装 首 ...
- 在Atmel Studio7中创建ASF项目
使用ASF自带例程的方式创建程序是很方便,但是因为系统例程支持的ATMEL开发板往往和用户板配置不同,所以我们需要自己创建项目.下面介绍在AS7.0中快速创建一个ASF项目的方法. 1.首先从菜单开始 ...
- NodeJS4-9静态资源服务器实战_发到npm上
登录->publish一下 ->上npm官网查看 -> 安装全局 //登录 npm login //推上去npm npm publish //全局安装 npm i -g 你的文件名
- 你不知道的JavaScript(中)读书笔记(二)
第三章 原生函数 常用的原生函数(内建函数)有: String() Number() Boolean Array() Object() Function() RegExp() Date() Erroe ...
- 【搞定Jvm面试】 JDK监控和故障处理工具揭秘
本文已经收录自笔者开源的 JavaGuide: https://github.com/Snailclimb ([Java学习+面试指南] 一份涵盖大部分Java程序员所需要掌握的核心知识)如果觉得不错 ...
- 运算符副作用总结与例子(js)
js中运算符副作用总结与例子 js中赋值运算符,递增递减运算符,delete运算符具有副作用,简单地说就是前后表达式的值会相互影响,除此之外其它的js运算符都没有副作用. 但函数表达式和对象创建表达式 ...
- ORA-27140: attach to post/wait facility failed
Errors in file /home/u01/app/oracle/diag/rdbms/hnybdb21/hnybdb211/trace/hnybdb211_j000_143099.trc:OR ...
- mongodb 简单的增删改查
增加 语法: db.collectionName.insert({json对象}); 1. 增加单个文档,json对象格式 db.user.insert({name:'lee',age:23,sex: ...