python資料抓取技術與實戰 爬蟲基礎

第乙個爬蟲應用

該**主要爬取電子工業出版社首頁的內容。

#引入requests模組

import requests
#定義get_content函式
def get_content(url):
resp = requests.get(url)
return resp.text
#"__name__ == '__main__'"的作用是被別的檔案import時候，以下**不會主動地執行
if __name__ == '__main__': 
#定義url，值為要抓取的目標****
url=""
#呼叫函式返回賦值給content
content = get_content(url)
#列印輸出content的前50個字元
print("前50個字元為："，content[0:50])
#列印輸出content的長度
content_len = len(content)
print("內容長度為："，content_len)
#判斷內容長度是否大於40kb
if content_len >=40 * 1024:
print("內容的長度大於等於40kb")
else:
print("內容的長度小於40kb")

前50個字元為： 字典推導表示式

urls_d = ".format(i) for i in range(1,11)}

將字典、列表、元組、集合、迴圈、異常、檔案操作融合在一起

import requests

urls_dict=
urls_lst=[
('電子工業出版社',''),
('xyz','www.phei.com.cn'),
('網上書店1','/module/goods/wssd_index.jsp'),
('網上書店2','/module/goods/wssd_index.jsp')
]#利用字典抓取
crawled_urls_for_dict=set()
for ind,name in enumerate(urls_dict.keys()):
name_url = urls_dict[name]
if name_url in crawled_urls_for_dict:
print(ind,name,'已經抓取過了')
else:
try:
resp = requests.get(name_url)
except exception as e:
print(ind,name,':',str(e)[0:50])
continue
content=resp.text
crawled_urls_for_dict.add(name_url)
with open('bydict_'+name+'.html','w') as f:
f.write(content)
print('抓取完成：{} {}，內容長度為{}'.format(ind,name,len(content)))
for u in crawled_urls_for_dict:
print(u)
print('-' * 60)
#利用列表抓取
crawled_urls_for_list=set()
for ind,tup in enumerate(urls_lst):
name=tup[0]
name_url = tup[1]
if name_url in crawled_urls_for_list:
print(ind,name,'已經抓取過了')
else:
try:
resp = requests.get(name_url)
except exception as e:
print(ind,name,':',str(e)[0:50])
continue
content=resp.text
crawled_urls_for_list.add(name_url)
with open('bydict_'+name+'.html','w') as f:
f.write(content)
print('抓取完成：{} {}，內容長度為{}'.format(ind,name,len(content)))
for u in crawled_urls_for_list:
print(u)

抓取完成：1 網上書店2，內容長度為130100

抓取完成：2 電子工業出版社，內容長度為102494

3 網上書店1 已經抓取過了

4 xyz : invalid url 'www.phei.com.cn': no schema supplied.

/module/zygl/zxzyindex.jsp

/module/goods/wssd_index.jsp

Python實戰 抓取貓眼電影TOP100

話不多說，直接上 coding utf 8 import requests from requests import requestexception import re import json from multiprocessing import pool def get one page ur...

python 抓取網頁資料

利用python進行簡單的資料分析 1 首先要進行分析網頁的html，我們所要抓取的資料是根據銷量排名的手機資訊，所以主要需要抓取手機的型號 銷量，按照 由小見大 的方法來獲取所需要的html資訊，如下圖所示 由上可以看出手機型號所在的html標籤是 h3 手機 是在div中的class屬性為 pr...

python 抓取微博資料

匯入需要的模組 import urllib.request import json 定義要爬取的微博大v的微博id id 1259110474 設定 ip proxy addr 122.241.72.191 808 定義頁面開啟函式 獲取微博主頁的containerid，爬取微博內容時需要此id d...