许多人所谓的成熟,不过是被习俗磨去了棱角,变得世故而实际了。那不是成熟,而是精神的早衰和个性的消亡!

用 Python爬虫下载网页文件教程

IT资源 凌汐 272℃ 0评论

什么是爬虫

爬虫:一段自动抓取互联网信息的程序,从互联网上抓取对于我们有价值的信息。

Python爬虫架构

Python 爬虫架构主要由五个部分组成,分别是调度器、URL管理器、网页下载器、网页解析器、应用程序(爬取的有价值数据)。

    • 调度器:相当于一台电脑的CPU,主要负责调度URL管理器、下载器、解析器之间的协调工作。
    • URL管理器:包括待爬取的URL地址和已爬取的URL地址,防止重复抓取URL和循环抓取URL,实现URL管理器主要用三种方式,通过内存、数据库、缓存数据库来实现。
    • 网页下载器:通过传入一个URL地址来下载网页,将网页转换成一个字符串,网页下载器有urllib2(Python官方基础模块)包括需要登录、代理、和cookie,requests(第三方包)
    • 网页解析器:将一个网页字符串进行解析,可以按照我们的要求来提取出我们有用的信息,也可以根据DOM树的解析方式来解析。网页解析器有正则表达式(直观,将网页转成字符串通过模糊匹配的方式来提取有价值的信息,当文档比较复杂的时候,该方法提取数据的时候就会非常的困难)、html.parser(Python自带的)、beautifulsoup(第三方插件,可以使用Python自带的html.parser进行解析,也可以使用lxml进行解析,相对于其他几种来说要强大一些)、lxml(第三方插件,可以解析 xml 和 HTML),html.parser 和 beautifulsoup 以及 lxml 都是以 DOM 树的方式进行解析的。
    • 应用程序:就是从网页中提取的有用数据组成的一个应用。

python教程,it智慧,it资源

  • 使用urllib2 实现下载网页的方式

    #!/usr/bin/python
    # -*- coding: UTF-8 -*-
     
    import cookielib
    import urllib2
     
    url = "http://www.baidu.com"
    response1 = urllib2.urlopen(url)
    print "第一种方法"
    #获取状态码,200表示成功
    print response1.getcode()
    #获取网页内容的长度
    print len(response1.read())
     
    print "第二种方法"
    request = urllib2.Request(url)
    #模拟Mozilla浏览器进行爬虫
    request.add_header("user-agent","Mozilla/5.0")
    response2 = urllib2.urlopen(request)
    print response2.getcode()
    print len(response2.read())
     
    print "第三种方法"
    cookie = cookielib.CookieJar()
    #加入urllib2处理cookie的能力
    opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
    urllib2.install_opener(opener)
    response3 = urllib2.urlopen(url)
    print response3.getcode()
    print len(response3.read())
    print cookie

    使用 Beautiful Soup 解析 html 文件

    #!/usr/bin/python
    # -*- coding: UTF-8 -*-
     
    import re
     
    from bs4 import BeautifulSoup
    html_doc = """
    <html><head><title>The Dormouse's story</title></head>
    <body>
    <p class="title"><b>The Dormouse's story</b></p>
    <p class="story">Once upon a time there were three little sisters; and their names were
    <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
    <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
    <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
    and they lived at the bottom of a well.</p>
    <p class="story">...</p>
    """
    #创建一个BeautifulSoup解析对象
    soup = BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8")
    #获取所有的链接
    links = soup.find_all('a')
    print "所有的链接"
    for link in links:
     print link.name,link['href'],link.get_text()
     
    print "获取特定的URL地址"
    link_node = soup.find('a',href="http://example.com/elsie")
    print link_node.name,link_node['href'],link_node['class'],link_node.get_text()
     
    print "正则表达式匹配"
    link_node = soup.find('a',href=re.compile(r"ti"))
    print link_node.name,link_node['href'],link_node['class'],link_node.get_text()
     
    print "获取P段落的文字"
    p_node = soup.find('p',class_='story')
    print p_node.name,p_node['class'],p_node.get_text()shsh
  • python实战全套教学视频:链接: https://pan.baidu.com/s/1OHXEx9rzE14DLCt2loTgRw 提取码: 5h43

转载请注明:IT智慧 » 用 Python爬虫下载网页文件教程

喜欢 (0)or分享 (0)
发表我的评论
取消评论
表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址