Python爬取网页数据

时间:2022-09-18 17:50:13

一、利用webbrowser.open()打开一个网站:

[python]  view plain  copy
  1. >>> import webbrowser  
  2. >>> webbrowser.open('http://i.firefoxchina.cn/?from=worldindex')  
  3. 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.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:

[python]  view plain  copy
  1. #! python3  
  2. import webbrowser, sys, pyperclip  
  3. if len(sys.argv) > 1:  
  4.     mapAddress = ''.join(sys.argv[1:])  
  5. else:  
  6.     mapAddress = pyperclip.paste()  
  7. 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'*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*是很难安装成功的,手动安装可以参考这里

[python]  view plain  copy
  1. >>> import requests  
  2. >>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex')    #向get中传入一个网址  
  3. >>> type(res)    #响应对象  
  4. <class 'requests.models.Response'>  
  5. >>> print(res.status_code)    #响应码  
  6. 200  
  7. >>> 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。  

[python]  view plain  copy
  1. import requests  
  2. res = requests.get('http://i.firefoxchina.cn/?from=worldindex')  
  3. try:  
  4.     res.raise_for_status()  
  5. except Exception as exc:  
  6.     print('There was a problem: %s' % (exc))  
三、 将下载的文件保存到本地

[python]  view plain  copy
  1. >>> import requests  
  2. >>> res = requests.get('http://tech.firefox.sina.com/17/0820/10/6DKQALVRW5JHGE1I.html##0-tsina-1-13074-397232819ff9a47a7b7e80a40613cfe1')  
  3. >>> res.raise_for_status()  
  4. >>> 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”  
  5. >>> 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>  
  6.     file.write(word)  
  7.   
  8.       
  9. 16997  
  10. >>> 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

[python]  view plain  copy
  1. >>> import requests, bs4  
  2. >>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex')  
  3. >>> res.raise_for_status()  
  4. >>> soup = bs4.BeautifulSoup(res.text)  
  5.   
  6. Warning (from warnings module):  
  7.   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  
  8.     markup_type=markup_type))  
  9. 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.  
  10.   
  11. 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:  
  12.   
  13.  BeautifulSoup(YOUR_MARKUP})  
  14.   
  15. to this:  
  16.   
  17.  BeautifulSoup(YOUR_MARKUP, "html.parser")  
  18.   
  19. >>> soup = bs4.BeautifulSoup(res.text, 'html.parser')  
  20. >>> type(soup)  
  21. <class 'bs4.BeautifulSoup'>  
我这里有错误提示,所以加了第二个参数。

[python]  view plain  copy
  1. >>> import bs4  
  2. >>> html = open('C:\\Users\\King\\Desktop\\1.htm')  
  3. >>> exampleSoup = bs4.BeautifulSoup(html)  
  4. >>> exampleSoup = bs4.BeautifulSoup(html, 'html.parser')  
  5. >>> type(exampleSoup)  
  6. <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

[python]  view plain  copy
  1. >>> import requests, bs4  
  2. >>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex')  
  3. >>> res.raise_for_status()  
  4. >>> soup = bs4.BeautifulSoup(res.text, 'html.parser')  
  5. >>> author = soup.select('#author')  
  6. >>> print(author)  
  7. []  
  8. >>> type(author)  
  9. <class 'list'>  
  10. >>> link = soup.select('link ')  
  11. >>> print(link)  
  12. [<link href="css/mozMainStyle-min.css?v=20170705" rel="stylesheet" type="text/css"/>, <link href="" id="moz-skin" rel="stylesheet" type="text/css"/>, <link href="" id="moz-dir" rel="stylesheet" type="text/css"/>, <link href="" id="moz-ver" rel="stylesheet" type="text/css"/>]  
  13. >>> type(link)  
  14. <class 'list'>  
  15. >>> len(link)  
  16. 4  
  17. >>> type(link[0])  
  18. <class 'bs4.element.Tag'>  
  19. >>> link[0]  
  20. <link href="css/mozMainStyle-min.css?v=20170705" rel="stylesheet" type="text/css"/>  
  21. >>> link[0].attrs  
  22. {'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。

[python]  view plain  copy
  1. >>> link[0].get('href')  
  2. '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。