一入爬虫深似海,总结python爬虫学习笔记!

  • 时间:
  • 浏览:1

还以简书首页文章题目为例,将爬取到的文章标题存放到有另一个多 .txt文件中,具体代码如下:

其中't'为默认模式,'r'大概'rt',符号可以叠加使用,像'r+b'

四 将爬取的信息存储到本地

一. 最简单的爬取多多任务管理器

Beautiful Soup是有另一个多 可以从HTML或XML文件中提取数据的Python库.它才能通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的法律土依据.

The urllib.requestmodule defines functions and classes which help in opening URLs (mostly HTTP) in a complex world — basic and digest authentication, redirections, cookies and more.

三 爬虫利器Beautiful Soup

先来看简书首页的源代码:

效果是一样的,建议使用with语录

先来看一下Chrome的头信息(F12打开开发者模式)如下:

关于python 3 基础语法方面的东西,网上有可是我,我门我门 可以自行查找.

urllib.request.urlopen(urldata=None, [timeout, ]***, cafile=Nonecapath=Nonecadefault=Falsecontext=None)For HTTP and HTTPS URLs, this function returns a http.client.HTTPResponseobject slightly modified.< 出自: https://docs.python.org/3/library/urllib.request.html >

先放到python 3 的官方文档:https://docs.python.org/3/ (看文档是个好习惯)

在访问可是我网站的过后,网站通常会用判断访问否有有暗含头文件来鉴别该访问否有有为爬虫,用来作为反爬取的一种生活策略。

另外,对文件操作一定要注意的可是我是:打开的文件一定要关闭,因此我 会占用相当大的系统资源,可是我对文件的操作最好使用try:...finally:...的形式。因此我 try:...finally:...的形式会使代码显得比较杂乱,所幸python中的with语录可以帮我门我门 自动调用close()而不时需我门我门 写出来,可是我,后面 代码中的try:...finally:...可使用下面的with语录来代替:

来看后面 的代码:

open(filemode='r'buffering=-1encoding=Noneerrors=Nonenewline=Noneclosefd=Trueopener=None))Open file and return a corresponding file object. If the file cannot be opened, an OSErroris raised.

文档中的例子确实说的因此我 比较清楚了,那下面就以爬取简书首页文章的标题一段代码来演示一下:

Copy a network object denoted by a URL to a local file. If the URL points to a local file, the object will not be copied unless filename is supplied. Return a tuple (filename, headers)where filename is the local file name under which the object can be found, and headers is whatever the info()method of the object returned by urlopen()returned (for a remote object). Exceptions are the same as for urlopen().

Beautiful Soup支持Python标准库中的HTML解析器,还支持可是我第三方的解析器,下表列出了主要的解析器,以及它们的优缺点:

看下页面的源代码,找到话题下图片链接的格式,如图:

提取出所有链接后,使用request.urlretrieve来将所有链接保存到本地

具体实现代码如下:

二 模拟浏览器爬取信息

过后我门我门 时需将爬取的数据直接打印到了控制台上,那我显然不促使我门我门 对数据的分析利用,因此我促使保存,可是我现在就来看一下怎么才能 才能 将爬取的数据存储到本地硬盘。

如图,访问头信息中显示了浏览器以及系统的信息(headers暗含信息众多,具体可自行查询)

有过后我门我门 的爬虫不一定因此我爬取文本数据,也会爬取可是我图片,下面就来看缘何将爬取的图片存到本地磁盘。

在学习暗含迷茫不知怎么才能 才能 学习的我门我门 小编推荐有另一个多 学Python的学习q u n 227  -435-  41000可以来了解同去进步同去学习!免费分享视频资料

便可获得所有的文章标题,具体实现代码及结果如下:

我门我门 先来选好目标,知乎话题:女生缘何健身锻造好身材? (单纯因此我 图多,并非多想哦 (# _ # ) )

可以通过add_header(key, value) 因此我 直接以参数的形式和URL同去请求访问,urllib.request.Request()

2 图片的储存

urllib.request.Request(url, data=None, headers={}, origin_req_host=None, unverifiable=False, method=None)

爬取百度首页源代码:

其中比较常用的参数为filemode,参数file为文件的路径,参数mode为操作文件的法律土依据(读/写),函数的返回值为有另一个多 file对象,因此我 文件操作老出 异常语录,则会抛出 有另一个多 OSError

open中mode参数的含义见下表:

可以看后,图片在img标签中,且class=origin_image zh-lightbox-thumb,因此我 链接是由.jpg结尾,我门我门 便可以用Beautiful Soup结合正则表达式的法律土依据来提取所有链接,如下:

可以发现简书首页文章的标题时需在<a/>标签中,因此我 class='title',可是我,通过

Python中urllib中的request模块提供了模拟浏览器访问的功能,代码如下:

运行结果

读写文件是最常见的操作之一,python3 内置了读写文件的函数:open

1 对.txt文件的操作

〇. python 基础