Python 爬蟲介紹

1.python 爬蟲介紹

爬蟲：一段自動抓取網際網路資訊的程式，從網際網路上抓取對於我們有價值的資訊。

url管理器：包括待爬取的url位址和已爬取的url位址，防止重複抓取url和迴圈抓取url，實現url管理器主要用三種方式，通過記憶體、資料庫、快取資料庫來實現。

網頁解析器：將乙個網頁字串進行解析，可以按照我們的要求來提取出我們有用的資訊，也可以根據dom樹的解析方式來解析。網頁解析器有正規表示式（直觀，將網頁轉成字串通過模糊匹配的方式來提取有價值的資訊，當文件比較複雜的時候，該方法提取資料的時候就會非常的困難）、html.parser（python自帶的）、beautifulsoup（第三方外掛程式，可以使用python自帶的html.parser進行解析，也可以使用lxml進行解析，相對於其他幾種來說要強大一些）、lxml（第三方外掛程式，可以解析 xml 和 html），html.parser 和 beautifulsoup 以及 lxml 都是以 dom 樹的方式進行解析的。

應用程式：就是從網頁中提取的有用資料組成的乙個應用。

下面用乙個圖來解釋一下排程器是如何協調工作的:

"第一種方法

"#獲取狀態碼，200表示成功

print response1.getcode()

#獲取網頁內容的長度

print len(response1.read())

"第二種方法

"request =urllib2.request(url)

#模擬mozilla瀏覽器進行爬蟲

request.add_header(

"user-agent

","mozilla/5.0")

response2 =urllib2.urlopen(request)

print response2.getcode()

print len(response2.read())

"第三種方法

"cookie =cookielib.cookiejar()

#加入urllib2處理cookie的能力

beautiful soup: python 的第三方外掛程式用來提取 xml 和 html 中的資料，官網位址

1、安裝 beautiful soup

開啟 cmd（命令提示符），進入到 python（python2.7版本）安裝目錄中的 scripts 下，輸入 dir 檢視是否有 pip.exe, 如果用就可以使用 python 自帶的 pip 命令進行安裝，輸入以下命令進行安裝即可：

pip install beautifulsoup4

2、測試是否安裝成功編寫乙個 python 檔案，輸入:

import bs4
print bs4

執行該檔案，如果能夠正常輸出則安裝成功。

#!/usr/bin/python
# -*- coding: utf-8 -*-import re
from
bs4 import beautifulsoup
html_doc = """
class="
title
">the dormouse'
s story
class="
story
">once upon a time there were three little sisters; and their names were
""class="
sister
" id="
link1
">elsie,"
"class="
sister
" id="
link2
">lacie
and"
"class="
sister
" id="
link3
">tillie
;and they lived at the bottom of a well.
class="
story
">...
"""#建立乙個beautifulsoup解析物件
soup = beautifulsoup(html_doc,"
html.parser
",from_encoding="
utf-8")
#獲取所有的鏈結
links = soup.find_all('a'
)print 
"所有的鏈結
"for link in
links:
print link.name,link[
'href
'],link.get_text()
print 
"獲取特定的url位址
"link_node = soup.find('
a',href="
")print link_node.name,link_node[
'href
'],link_node['
class
'],link_node.get_text()
print 
"正規表示式匹配
"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 
"獲取p段落的文字
"p_node = soup.find('
p',class_='
story')
print p_node.name,p_node[
'class
'],p_node.get_text()

Python 爬蟲介紹

python爬蟲介紹 python 爬蟲簡介

python爬蟲學習 01爬蟲介紹

Python 網路爬蟲介紹

Python 爬蟲介紹

python爬蟲介紹 python 爬蟲簡介

python爬蟲學習 01爬蟲介紹

Python 網路爬蟲介紹

相關推薦