关灯
开启左侧

用 Python爬虫下载网页文件教程

[复制链接]
创意电子实名认证 发表于 2018-11-20 12:05:56 | 显示全部楼层 |阅读模式 打印 上一主题 下一主题
 
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。
2658741.png
  • 使用urllib2 实现下载网页的方式#!/usr/bin/python# -*- coding: UTF-8 -*- import cookielibimport 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 BeautifulSouphtml_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:

创意电子,专注资源实战分享!
本文来源于创意电子 www.wxcydz.cc,欢迎大家下载学习。
如果您没有创意币需要充值,可以直接在线充值,
点击充值
如果你需要加入VIP会员,可以直接在线开通点击开通
版权申明:此文如未标注转载均为创意电子原创,自由转载请注明 本贴地址:https://www.wxcydz.cc/forum.php?mod=viewthread&tid=51 上篇帖子: 没有了 下篇帖子: 运营级一比一仿微信含直播小视频app源码出售转让 python 下载 网页 文件 下载网
 
懒得打字嘛,点击右侧快捷回复
您需要登录后才可以回帖 登录 | 立即注册 新浪微博登陆

本版积分规则

  • 活跃会员

    经常参与各类话题的讨论,发帖内容较有主见

1关注

3粉丝

302帖子

排行榜

关注我们:微信服务号

官方微信

手机版

全国服务QQ:

2241998733

公司地址:成都市锦江区通汇街345号

运营中心:成都市锦江区通汇街345号

邮编:610028 Email:wxcy@wkgb.net

Copyright   ©2018-现在  创意电子Powered by©专注资源实战分享技术支持:创意电子    |申请友情链接