孤荷凌寒自学python第七十五天开始写Python的第一个爬虫5
孤荷凌寒自学python第七十五天开始写Python的第一个爬虫5
(完整学习过程屏幕记录视频地址在文末)
今天在上一天的基础上继续完成对我的第一个代码程序的书写。
直接上代码。详细过程见文末屏幕录像。
```
import requests
from bs4 import BeautifulSoup
import re
import datetime
import pymongo
import _mty
import _mf
import _mbs4
import _mmongo
import _mre
import _mdb
import _mword
intc=0
def msgbox(info,titletext='孤荷凌寒的DB模块对话框QQ578652607',style=0,isShowErrMsg=False):
return _mty.msgboxGhlh(info,titletext,style,isShowErrMsg)
def myfirst(s,h):
c2=_mdb.conLocaldbGhlh(r'C:\ProgramData\SQLITE3\slone.s3db')
lstNm=['id','title','newdate','source','content','adddate']
lstType=['int','string','date','str','memo','date']
lstLong=[0,255,0,255,0,0]
lstNull=['not null','not null','not null','null','not null','null']
lstPrimary=[True,False,False,False,False,False]
lstAuto=[True,False,False,False,False,False]
c3=_mdb.conLocaldbGhlh(r'C:\ProgramData\SQLITE3\new163.accdb')
strt='news163'
a=_mdb.newTablePlusGhlh('sqlite',c2,strt,lstNm,lstType,lstLong,lstNull,lstPrimary,lstAuto)
msgbox(str(a))
cursor=c2.cursor()
b=_mdb.newTablePlusGhlh('acc',c3,strt,lstNm,lstType,lstLong,lstNull,lstPrimary,lstAuto)
cursor3=c3.cursor()
cursor.execute('select * from ' + strt + ';')
data=cursor.fetchall()
for i in data:
msgbox(str(i))
cursor3.execute('select * from ' + strt + ';')
data=cursor3.fetchall()
for i in data:
msgbox(str(i))
#return True
#-------------------------
r=requests.get(s,headers=h)
#print(r.text) #r.text得到的是页面源html代码
_mf.writeAllTextToTxtFileGhlh('1.txt',r.text)
bs=BeautifulSoup(r.text,features="lxml") #第二个参数指明了解析器,得到的是一个beautifulsoup对象
s=bs.prettify()
_mf.writeAllTextToTxtFileGhlh('2.txt',str(s))
rs=bs.select('.bigsize') #选择指定style样式表的html标签元素
for i in rs:
ele=i.find_all('a') #每个h5标签下只有一个a标签
strls=ele[0].get('href')
#msgbox(strls) #取出地址
getcontentpage(strls,h,c2,cursor,c3,cursor3,strt)
#break
#---------------------
#cursor.execute('select * from ' + strt + ';')
#data=cursor.fetchall()
#for i in data:
# msgbox(str(i))
#cursor3.execute('select * from ' + strt + ';')
#data=cursor3.fetchall()
#for i in data:
# msgbox(str(i))
def getcontentpage(strurl,h,c2,cursor,c3,cursor3,strt):
r=requests.get(strurl,headers=h)
_mf.writeAllTextToTxtFileGhlh('3.txt',r.text)
bs=BeautifulSoup(r.text,features="lxml") #第二个参数指明了解析器,得到的是一个beautifulsoup对象
s=bs.prettify()
_mf.writeAllTextToTxtFileGhlh('4.txt',str(s))
#---------------------------
#eletemp=bs.find_all("#epContentLeft") #现在eletemp是一个rs集合对象
#上一句是错误的,通过html标签对象的id值来查找应当使用的方法是:select方法
eletemp=bs.select('#epContentLeft') #list
#msgbox(str(type(eletemp)))
eletitleparent=eletemp[0] #bs.element.Tag
#msgbox(str(type(eletitleparent)))
eletitle=eletitleparent.h1
elesource=eletitleparent.div #elesource这种对象现在被称为:bs.element.Tag对象,可以被转换为列表,但不是列表
#msgbox(str(elesource))
strtitle=_mbs4.getAllTextGhlh(eletitle)
strdate=list(elesource)[0]
strdate=_mre.getDateAndTimeString(strdate)
strsource=_mbs4.getAllTextGhlh(elesource.a)
#msgbox(strtitle)
#msgbox(strsource)
#msgbox(strdate)
#取正文
elecontent=bs.select('#endText') #所有的正文内容都这个div中,elecotent是一个List?
strcontent=_mbs4.getAllTextGhlh(elecontent)
data={
u'标题':strtitle,
u'日期':strdate,
u'来源':strsource,
u'内容':strcontent,
u'添加日期':datetime.datetime.now().__format__('%Y-%m-%d %H:%M:%S')
}
#msgbox(str(data))
#写入Mongodb数据库
c=_mmongo.conMongoDbGhlh('localhost')
db=c.news163
jh=db.first
isok=_mmongo.addNewDataGhlh(jh,data)
#msgbox(isok)
#写入sqlite3和ACCESS数据库
try:
strsql="insert into " + strt + "(title,newdate,source,content,adddate) values('" + strtitle + "','" + strdate + "','" + strsource + "','" + strcontent + "','" + datetime.datetime.now().__format__('%Y-%m-%d %H:%M:%S') + "');"
cursor.execute(strsql)
cursor3.execute(strsql)
c2.commit()
c3.commit()
except:
msgbox('出错了')
#写入word文档
try:
global intc
intc=intc+1
strf='%03d' %intc
strf=strf + '.docx'
strf='I:\\MAKEAPP\\python\\Python365\\边学习边测试文件夹\\自学PYTHON部分\\0075第七十五天爬虫实战5\\' + strf
f=_mword.newDocX(strf)
f.add_heading(strtitle,level=2)
f.add_heading(strsource,level=3)
_mword.addPToDocx(f,strcontent)
f.save(strf) #保存时必须有文件名作参数
#f.close() #没有这个命令
except:
msgbox('写word出错!')
pass
strurl='http://tech.163.com/special/techscience/'
header={
'Accept':'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
'Accept-Encoding':'gzip, deflate',
'Accept-Language':'zh-CN,zh;q=0.9',
'Cache-Control':'max-age=0',
'Connection':'keep-alive',
'Cookie':'_ntes_nuid=4c64ad6c80e3504f05302ac133efb277; _ntes_nnid=eb7c24e0daf48e922e31dc81e431fde2,1536978956105; Province=023; City=023; NNSSPID=acab5be191004a2b81a3a6ee60f516dc; NTES_hp_textlink1=old; UM_distinctid=1683adcaeaf2f8-0e31bcdad8532c-3c604504-144000-1683adcaeb094d; vjuids=-7a5afdb26.1683adccded.0.d9d34439a4e48; vjlast=1547175776.1547175776.30; ne_analysis_trace_id=1547175775731; s_n_f_l_n3=7476c45eb02177f91547175775852; vinfo_n_f_l_n3=7476c45eb02177f9.1.0.1547175775852.0.1547176062972',
'Host':'tech.163.com',
'If-Modified-Since':'Fri, 11 Jan 2019 03:01:05 GMT',
'Referer':'http://tech.163.com/',
'Upgrade-Insecure-Requests':'1',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
}
header2={
'Host':'tech.163.com',
'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'
}
myfirst(strurl,header2)
```
二、今天为了将爬到的新闻放到word文档中,写了辅助的word模块自定义的函数模块
【_mword.py】
```
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import string
from docx import *
from docx.shared import Inches
import _mty
import _cl #常用常量模块
import _mre
mwordErrString=''
def msgbox(info,titletext='孤荷凌寒的word模块对话框QQ578652607',style=0,isShowErrMsg=False):
return _mty.msgboxGhlh(info,titletext,style,isShowErrMsg)
def newDocX(strfilenm,isShowMsg=False):
'''
创建一个新的docx并保存在指定的路径下成为指定文件名的文件 。
'''
try:
f=Document() #创建新文档 对象
f.save(strfilenm) #保存这个文件
return f #f的类型是:<class 'docx.document.Document'>
except Exception as e:
mwordErrString='尝试创建一个新的word文件时出错:' + str(e) + '\n此函数由【孤荷凌寒】创建,QQ578652607'
if isShowMsg==True:
msgbox(mwordErrString)
return None
else:
pass
finally:
pass
def addPToDocx(f,strp,isShowMsg=False):
try:
lst=strp.split('\n')
for i in lst:
i.strip()
p=f.add_paragraph(i)
#---接下来可调整格式
return True
except Exception as e:
mwordErrString='尝试将来自网页的内容写入word文档正文时出错:' + str(e) + '\n此函数由【孤荷凌寒】创建,QQ578652607'
if isShowMsg==True:
msgbox(mwordErrString)
return False
else:
pass
finally:
pass
#f=newDocX(r'I:\MAKEAPP\python\Python365\边学习边测试文件夹\自学PYTHON部分\0075第七十五天爬虫实战5\孤荷凌寒.docx')
#print(type(f))
```
三、安装word模块与了解到的一些知识
(一)、安装Python-docx
在windows的命令行窗口中输入:
pip install python-docx
(二)、官方文档的引用此模块的声明书写:
from docx import *
from docx.shared import Inches
官方文档:
https://python-docx.readthedocs.io/en/latest/index.html
今天只进行了初略了解,对此模块对象还没有深入研究。
四、其它感受
今天已成功解决了昨天没有解决的写入sqlite数据库的问题,而且今天发现,
关系型数据库的
insert
sql语句应当是可以通用的,那么完成一个统一的通用添加函数,最好与nosql数据库都统一起来就更好,这样对数据存取入数据库的代码书写和记忆来说都要简化很多。
——————————
今天整理的学习笔记完成,最后例行说明下我的自学思路:
根据过去多年我自学各种编程语言的经历,认为只有真正体验式,解决实际问题式的学习才会有真正的效果,即让学习实际发生。在2004年的时候我开始在一个乡村小学自学电脑 并学习vb6编程语言,没有学习同伴,也没有高师在上,甚至电脑都是孤岛(乡村那时还没有网络),有的只是一本旧书,在痛苦的自学摸索中,我找到适应自己零基础的学习方法:首先是每读书的一小节就作相应的手写笔记,第二步就是上机测试每一个笔记内容是否实现,其中会发现书中讲的其实有出入或错误,第三步就是在上机测试之后,将笔记改为电子版,形成最终的修订好的正确无误的学习笔记 。
通过反复尝试错误,在那个没有分享与交流的黑暗时期我摸黑学会了VB6,尔后接触了其它语言,也曾听过付费视频课程,结果发现也许自己学历果然太低,就算是零基础的入门课程,其实也难以跟上进度,讲师的教学多数出现对初学者的实际情况并不了解的情况,况且学习者的个体也存在差异呢?当然更可怕的是收费课程的价格往往是自己难以承受的。
于是我的所有编程学习都改为了自学,继续自己的三步学习笔记法的学习之路。
当然自学的最大问题是会走那么多的弯路,没有导师直接输入式的教学来得直接,好在网络给我们带来无限搜索的机会,大家在网络上的学习日志带给我们共享交流的机会,而QQ群等交流平台、网络社区的成立,我们可以一起自学,互相批评交流,也可以获得更有效,更自主的自学成果。
于是我以人生已过半的年龄,决定继续我的编程自学之路,开始学习python,只希望与大家共同交流,一个人的独行是可怕的,只有一群人的共同前进才是有希望的。
诚挚期待您的交流分享批评指点!欢迎联系我加入从零开始的自学联盟。
这个时代互联网成为了一种基础设施的存在,于是本来在孤独学习之路上的我们变得不再孤独,因为网络就是一个新的客厅,我们时刻都可以进行沙龙活动。
非常乐意能与大家一起交流自己自学心得和发现,更希望大家能够对我学习过程中的错误给予指点——是的,这样我就能有许多免费的高师了——这也是分享时代,社区时代带来的好福利,我相信大家会的,是吧!
根据完全共享的精神,开源互助的理念,我的个人自学录制过程是全部按4K高清视频录制的,从手写笔记到验证手写笔记的上机操作过程全程录制,但因为4K高清文件太大均超过5G以上,所以无法上传至网络,如有需要可联系我QQ578652607对传,乐意分享。上传分享到百度网盘的只是压缩后的720P的视频。
我的学习过程录像百度盘地址分享如下:(清晰度:1280x720)
链接:https://pan.baidu.com/s/1zjlWH2maPabigrLeDnSnbg
提取码:2adh
Bilibili:
https://www.bilibili.com/video/av40813661/
喜马拉雅语音笔记:
https://www.ximalaya.com/keji/19103006/154269324
孤荷凌寒自学python第七十五天开始写Python的第一个爬虫5的更多相关文章
- 孤荷凌寒自学python第七十九天开始写Python的第一个爬虫9并使用pydocx模块将结果写入word文档
孤荷凌寒自学python第七十九天开始写Python的第一个爬虫9 (完整学习过程屏幕记录视频地址在文末) 今天在上一天的基础上继续完成对我的第一个代码程序的书写. 到今天终于完成了对docx模块针对 ...
- 孤荷凌寒自学python第七十八天开始写Python的第一个爬虫8
孤荷凌寒自学python第七十八天开始写Python的第一个爬虫8 (完整学习过程屏幕记录视频地址在文末) 今天在上一天的基础上继续完成对我的第一个代码程序的书写. 到今天止基本完成了对docx模块针 ...
- 孤荷凌寒自学python第七十七天开始写Python的第一个爬虫7
孤荷凌寒自学python第七十七天开始写Python的第一个爬虫7 (完整学习过程屏幕记录视频地址在文末) 今天在上一天的基础上继续完成对我的第一个代码程序的书写. 今天的学习仍然是在纯粹对docx模 ...
- 孤荷凌寒自学python第七十六天开始写Python的第一个爬虫6
孤荷凌寒自学python第七十六天开始写Python的第一个爬虫6 (完整学习过程屏幕记录视频地址在文末) 今天在上一天的基础上继续完成对我的第一个代码程序的书写. 不过由于对python-docx模 ...
- 孤荷凌寒自学python第七十四天开始写Python的第一个爬虫4
孤荷凌寒自学python第七十四天开始写Python的第一个爬虫4 (完整学习过程屏幕记录视频地址在文末) 今天在上一天的基础上继续完成对我的第一个代码程序的书写. 直接上代码.详细过程见文末屏幕录像 ...
- 孤荷凌寒自学python第七十三天开始写Python的第一个爬虫3
孤荷凌寒自学python第七十三天开始写Python的第一个爬虫3 (完整学习过程屏幕记录视频地址在文末) 今天在上一天的基础上继续完成对我的第一个代码程序的书写. 直接上代码.详细过程见文末屏幕录像 ...
- 孤荷凌寒自学python第七十二天开始写Python的第一个爬虫2
孤荷凌寒自学python第七十二天开始写Python的第一个爬虫2 (完整学习过程屏幕记录视频地址在文末) 今天在上一天的基础上继续完成对我的第一个代码程序的书写. 直接上代码.详细过程见文末屏幕录像 ...
- 孤荷凌寒自学python第七十一天开始写Python的第一个爬虫
孤荷凌寒自学python第七十一天开始写Python的第一个爬虫 (完整学习过程屏幕记录视频地址在文末) 在了解了requests模块和BeautifulSoup模块后,今天开始真正写一个自己的爬虫代 ...
- 孤荷凌寒自学python第七十天学习并实践beautifulsoup对象用法3
孤荷凌寒自学python第七十天学习并实践beautifulsoup对象用法3 (完整学习过程屏幕记录视频地址在文末) 今天继续学习beautifulsoup对象的属性与方法等内容. 一.今天进一步了 ...
随机推荐
- Node.js 笔记03
一.buffer(缓存区) Node里面的buffer,是一个二进制数据容器,数据结构类似与数组,专门用于Node中数据的存放 1. buffer的基本使用 历史上的使用方式:const buf1 ...
- python—递归函数
递归函数 定义:即在函数定义中自己调用自己 递归就是在过程或函数中自我调用 递归必须有递归出口,即递归结束条件 举个栗子-阶乘: def fact(n): if n == 1: return 1 re ...
- AutoCAD笔记
1.等距离复制:使用菜单栏下“修改->阵列”功能或右侧快捷方式,可以轻松复制,以下是阵列设置界面 2.快捷键-图案填充和渐变色:H+空格 3.画图时时常会用到Ctrl+V,但难免会按成了Ctrl ...
- Unity 游戏框架搭建 (十四) 优雅的QSignleton(零) QuickStart
好久不见 !之前想着让各位直接用QFramework,但是后来想想,如果正在进行的项目直接使用QFramework,这样风险太高了,要改的代码太多,所以打算陆续独立出来一些工具和模块,允许各位一个 ...
- zepto 基础知识(1)
1.$() 的用法. 获取元素 $('div') //获取所有页面中的div元素 $('#foo') // 获取ID 为"foo"的元素 创建元素 $("<p> ...
- 高级同步器:信号量Semaphore
引自:https://blog.csdn.net/Dason_yu/article/details/79734425 一.信号量一个计数信号量.从概念上讲,信号量维护了一个许可集.Semaphore经 ...
- MySql指令的执行顺序
1:From 2:On 3:Join 4:Where 5:Group by 5.1:函数 6:Having 7:Select 8:Distinct 9:Order by
- pyqt 多窗口跳转
今天在做pyqt5的多页面跳转时遇到问题,一点击button按钮,程序会崩溃.在网上查了下,应该是当窗口A调用窗口B的时候,两个窗口不能是同一类型.我写的时候把A.B同时写成了QWidget.把窗口B ...
- Asp.NET Core 在IIS部署 An assembly specified in the application dependencies manifest was not found
今天在发布应用的时候,出来了一个报错:An assembly specified in the application dependencies manifest was not found 情况如下 ...
- sftp上传到远程服务器
开发遇到一个需求,需要将图片通过sftp上传到远程服务器上,之前没用过这个功能,折腾了我好几天才搞定,下面记录下我的处理方法: $sftp = 'ssh2.sftp://';//连接sftp $con ...