网络爬虫－使用Python抓取网页数据

搬自大神boyXiong的干货！

闲来无事，看看了Python，发现这东西挺爽的，废话少说，就是干

• 准备搭建环境
  • 因为是MAC电脑，所以自动安装了Python 2.7的版本
  • 添加一个 库 Beautiful Soup ,方法这里说两种 
    • 1.在终端输入 pip install BeautifulSoup
    • 2.手动下载包后，终端切换到 解压的文件夹，输入 sudo python setup.py install 下载地址BeautifulSoup
• 开始写代码吧 
  • 先找一个想要抓取东西的网站，这里我就随便找一个吧 地址是：http://movie.douban.com/chart
  • 好了在终端输入 vim 我知道这个东西，对于新手来说，就是一个挑战，这里我也建议使用轻量的Sublime
  • 代码如下 (注意python是严格的缩进,以下代码要顶格写)

1 #-*- coding:utf-8 -*-
2 import urllib2
3 import urllib
4 html=urllib2.urlopen("http://movie.douban.com/chart").read()
5 print html

• 输出的结果就是一个HTML的网页，这里我就看到自己想要抓取的图片和图片名的文字片段

<a class="nbg" href="http://movie.douban.com/subject/24879839/"  title="道士下山">
           <img src="http://img3.douban.com/view/movie_poster_cover/ipst/public/p2251450614.jpg" alt="道士下山" class=""/>
</a>

• 分析我们想要的，一个是图片的名称，一个是图片的链接地址，直接上Python代码

 1 #-*- coding:utf-8 -*-
 2 import urllib2
 3 from bs4 import BeautifulSoup
 4
 5 import sys
 6 reload(sys)
 7 sys.setdefaultencoding('utf8')
 8
 9 # 函数
10 def  printPlistCode():
11     #1.得到这个网页的 html 代码 #
12     html = urllib2.urlopen("http://movie.douban.com/chart").read()
13
14     #2.转换 一种格式，方便查找
15     soup = BeautifulSoup(html)
16     #3.  得到 找到的所有 包含 a 属性是class = nbg 的代码块,数组
17     liResutl = soup.findAll('a', attrs = {"class" : "nbg"})
18     #4.用于拼接每个字典的字符串
19     tmpDictM = ''
20
21     #5. 遍历这个代码块  数组
22     for li in liResutl:
23
24         #5.1 找到 img 标签的代码块 数组
25         imageEntityArray = li.findAll('img')
26
27         #5.2 得到每个image 标签
28         for image in imageEntityArray:
29             #5.3 得到src 这个属性的 value  后面也一样 类似 key value
30             link = image.get('src')
31             imageName = image.get('alt')
32             #拼接 由于 py中 {} 是一种数据处理格式，类似占位符
33             tmpDict = '''@{0}@\"name\" : @\"{1}\", @\"imageUrl\" : @\"{2}\"{3},'''
34
35             tmpDict =  tmpDict.format('{',imageName,link,'}')
36
37             tmpDictM = tmpDictM + tmpDict
38
39     #6.去掉最后一个 ,
40     tmpDictM = tmpDictM[0:len(tmpDictM) - 1].decode('utf8')
41
42     #7 拼接全部
43     restultStr = '@[{0}];'.format(tmpDictM)
44
45     print restultStr
46
47
48 if __name__ == '__main__':
49     printPlistCode()

• 输出结果就是Objective-C的 数组

@[@{@"name" : @"进击的巨人真人版：前篇", @"imageUrl" : @"http://img3.douban.com/view/movie_poster_cover/ipst/public/p2251690571.jpg"},@{@"name" : @"花与爱丽丝杀人事件", @"imageUrl" : @"http://img3.douban.com/view/movie_poster_cover/ipst/public/p2222398443.jpg"},@{@"name" : @"小黄人大眼萌", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2258235689.jpg"},@{@"name" : @"小森林 冬春篇", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2215147728.jpg"},@{@"name" : @"道士下山", @"imageUrl" : @"http://img3.douban.com/view/movie_poster_cover/ipst/public/p2251450614.jpg"},@{@"name" : @"深夜食堂 电影版", @"imageUrl" : @"http://img3.douban.com/view/movie_poster_cover/ipst/public/p2205014862.jpg"},@{@"name" : @"小男孩", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2230105606.jpg"},@{@"name" : @"头脑特工队", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2231021196.jpg"},@{@"name" : @"百元之恋", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2205471169.jpg"},@{@"name" : @"杀破狼2", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2246885606.jpg"}];

• 使用Xcode 写到Plist中去

#import <Foundation/Foundation.h>
 
int main(int argc, const char * argv[]) {
 
    NSArray *plistArray = @[@{@"name" : @"进击的巨人真人版：前篇", @"imageUrl" : @"http://img3.douban.com/view/movie_poster_cover/ipst/public/p2251690571.jpg"},@{@"name" : @"花与爱丽丝杀人事件", @"imageUrl" : @"http://img3.douban.com/view/movie_poster_cover/ipst/public/p2222398443.jpg"},@{@"name" : @"小黄人大眼萌", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2258235689.jpg"},@{@"name" : @"小森林 冬春篇", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2215147728.jpg"},@{@"name" : @"道士下山", @"imageUrl" : @"http://img3.douban.com/view/movie_poster_cover/ipst/public/p2251450614.jpg"},@{@"name" : @"深夜食堂 电影版", @"imageUrl" : @"http://img3.douban.com/view/movie_poster_cover/ipst/public/p2205014862.jpg"},@{@"name" : @"小男孩", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2230105606.jpg"},@{@"name" : @"头脑特工队", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2231021196.jpg"},@{@"name" : @"百元之恋", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2205471169.jpg"},@{@"name" : @"杀破狼2", @"imageUrl" : @"http://img4.douban.com/view/movie_poster_cover/ipst/public/p2246885606.jpg"}];
    //路径可以自己选择
    [plistArray writeToFile:@"/Users/xxx/Desktop/test/movie.plist" atomically:YES];
 
    return 0;
}

• 到这里，就可以看到plist 文件可以用于测试了 
  
• 如果想要复制粘贴这里面的代码，那就选择Sublime编辑器
• (欢迎转帖，请附上源地址boyXiong)