编程python爬取网页数据教程_实例讲解Python爬取网页数据
一、利用webbrowser.open()打开一个网站:
>>> import webbrowser
>>> webbrowser.open('http://i.firefoxchina.cn/?from=worldindex')
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.从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:
#! python3
import webbrowser, sys, pyperclip
if len(sys.argv) > 1:
mapAddress = ''.join(sys.argv[1:])
else:
mapAddress = pyperclip.paste()
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'天安门广场'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。没翻墙是很难安装成功的,手动安装可以参考这里。
>>> import requests
>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex') #向get中传入一个网址
>>> type(res) #响应对象
>>> print(res.status_code) #响应码
200
>>> 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。
import requests
res = requests.get('http://i.firefoxchina.cn/?from=worldindex')
try:
res.raise_for_status()
except Exception as exc:
print('There was a problem: %s' % (exc))
三、将下载的文件保存到本地:
>>> import requests
>>> res = requests.get('http://tech.firefox.sina.com/17/0820/10/6DKQALVRW5JHGE1I.html##0-tsina-1-13074-397232819ff9a47a7b7e80a40613cfe1')
>>> res.raise_for_status()
>>> 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”
>>> for word in res.iter_content(100000): #iter_content()方法在循环的每次迭代中返回一段bytes数据类型的内容,你需要指定其包含的字节数
file.write(word)
16997
>>> 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。
>>> import requests, bs4
>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex')
>>> res.raise_for_status()
>>> soup = bs4.BeautifulSoup(res.text)
Warning (from warnings module):
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
markup_type=markup_type))
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.
The code that caused this warning is on line 1 of the file . To get rid of this warning, change code that looks like this:
BeautifulSoup(YOUR_MARKUP})
to this:
BeautifulSoup(YOUR_MARKUP, "html.parser")
>>> soup = bs4.BeautifulSoup(res.text, 'html.parser')
>>> type(soup)
我这里有错误提示,所以加了第二个参数。
>>> import bs4
>>> html = open('C:\\Users\\King\\Desktop\\1.htm')
>>> exampleSoup = bs4.BeautifulSoup(html)
>>> exampleSoup = bs4.BeautifulSoup(html, 'html.parser')
>>> type(exampleSoup)
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
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
soup.select('input[name]'):所有名为并有一个name属性,其值无所谓的元素;
soup.select('input[type="button"]'):所有名为并有一个type属性,其值为button的元素。
想查看更多的解析器,请参看这里。
>>> import requests, bs4
>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex')
>>> res.raise_for_status()
>>> soup = bs4.BeautifulSoup(res.text, 'html.parser')
>>> author = soup.select('#author')
>>> print(author)
[]
>>> type(author)
>>> link = soup.select('link ')
>>> print(link)
[, , , ]
>>> type(link)
>>> len(link)
4
>>> type(link[0])
>>> link[0]
>>> link[0].attrs
{'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。
>>> link[0].get('href')
'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。
本文标题: 实例讲解Python爬取网页数据
本文地址: http://www.cppcns.com/jiaoben/python/232320.html
编程python爬取网页数据教程_实例讲解Python爬取网页数据相关推荐
- python求三个整数最大值_实例讲解Python中整数的最大值输出
实例讲解Python中整数的最大值输出 在Python中可以存储很大的值,如下面的Python示例程序: x = 1000000000000000000000000000000000000000000 ...
- python输出最大值教程_实例讲解Python中整数的最大值输出
在Python中可以存储很大的值,如下面的Python示例程序: x = 10000000000000000000000000000000000000000000; x = x + 1 print ( ...
- python 系统管理_实例讲解python用户管理系统
本文主要为大家分享一篇python用户管理系统的实例讲解,具有很好的参考价值,希望对大家有所帮助.一起跟随小编过来看看吧,希望能帮助到大家. 自定义函数+装饰器,每一个模块写的一个函数 很多地方能用装 ...
- python中能够处理的最大整数是_实例讲解Python中整数的最大值输出
在Python中可以存储很大的值,如下面的Python示例程序: x = 10000000000000000000000000000000000000000000; x = x + 1 print ( ...
- python爬虫教程:实例讲解Python爬取网页数据
这篇文章给大家通过实例讲解了Python爬取网页数据的步骤以及操作过程,有兴趣的朋友跟着学习下吧. 一.利用webbrowser.open()打开一个网站: >>> import w ...
- python积木式编程_实例讲解python函数式编程
函数式编程是使用一系列函数去解决问题,按照一般编程思维,面对问题时我们的思考方式是"怎么干",而函数函数式编程的思考方式是我要"干什么". 至于函数式编程的特点 ...
- python中比较运算符怎么使用_实例说明Python中比较运算符的使用
下表列出了所有Python语言支持的比较操作符.假设变量a持有10和变量b持有20,则: 例如: 试试下面的例子就明白了所有的Python编程语言提供的比较操作符: #!/usr/bin/python ...
- pythonproperty装饰器_实例讲解Python编程中@property装饰器的用法
取值和赋值 class Actress(): def __init__(self): self.name = 'TianXin' self.age = 5 类Actress中有两个成员变量name和a ...
- 数据采集技术python网络爬虫项目化教程_数据采集技术Python网络爬虫项目化教程 黄锐军课程资源.zip-KC17.pptx...
原文件部分截取内容: 1.7.1 Web学生管理程序 Shenzhen Institute Of Information Technology 教师:黄锐军 深圳信息职业技术学院 学生的记录包括学号N ...
最新文章
- 烂泥:Thinkpad E40伤不起啊……
- LeetCode-剑指 Offer 50. 第一个只出现一次的字符
- 聊聊clean code
- 【机器学习】机器学习视角下的因果推断
- debian及ubuntu挂载本地硬盘的ISO镜像文件
- Access-Ctrol-Allow-Headers:*兼容问题导致的跨域失败
- 分页插件pageHelpler的使用(ssm框架中)服务器端分页
- SQL Server 存储引擎-剖析Forwarded Records
- Android增量代码测试覆盖率工具
- jenkins 全局工具配置
- mysql 5.6.14 win7 32位免安装版配置_mysql 5.6.14 win7 32位免安装版配置
- 心跳包、乒乓包、SO_KEEPLIVE
- Watir vs Selenium
- MTK6589双卡卡1或是卡2拨出电话
- 【Vue知识点】路由router详解
- JavaWeb——HTTP协议TomcatServlet学习笔记
- xxxx cannot be opened for xxxx
- MDS(多维尺度变换)
- Remo Repair PowerPoint(PPT修复工具)v2.0官方版
- 建筑施工员日常工作内容,施工员证全国通用吗?
热门文章
- SQL数据导入导出问题总结
- 菜渣初探mongodb--笔记篇
- 阿里云服务器tomcat配置https
- ORA-12545: Connect failed because target host or object does not exist
- 生产服务器环境最小化安装后Centos 6.5优化配置备忘
- 把普通的git库变成bare库
- Eclipse无法连接真机 并非ADB被占用 原因 很2 已解决 记录之
- Reading——The Non-Designer's Design Book
- 【网址收藏】Ubuntu使用OBS录制桌面时黑屏怎么办?
- Win10自带的邮件客户端配置腾讯企业邮箱账号