【Python】 簡單網路爬蟲實現
阿新 • • 發佈:2019-01-07
引言
網路爬蟲(英語:web crawler),也叫網路蜘蛛(spider),是一種用來自動瀏覽全球資訊網的網路機器人。其目的一般為編纂網路索引。 --維基百科
網路爬蟲可以將自己所訪問的頁面儲存下來,以便搜尋引擎事後生成索引供使用者搜尋。
一般有兩個步驟:1.獲取網頁內容 2.對獲得的網頁內容進行處理
準備
Linux開發環境
python3.61安裝方法:https://www.cnblogs.com/kimyeee/p/7250560.html
安裝一些必要的第三方庫
其中requiests可以用來爬取網頁內容,beautifulsoup4用來將爬取的網頁內容分析處理
pip3 install requiests
pip3 install beautifulsoup4
第一步:爬取
使用request庫中的get方法,請求url的網頁內容
更多瞭解:http://docs.python-requests.org/en/master/
編寫程式碼
[[email protected] demo]# touch demo.py
[[email protected] demo]# vim demo.py
#web爬蟲學習 -- 分析 #獲取頁面資訊 #輸入:url #處理:request庫函式獲取頁面資訊,並將網頁內容轉換成為人能看懂的編碼格式 #輸出:爬取到的內容 import requests def getHTMLText(url): try: r = requests.get( url, timeout=30 ) r.raise_for_status() #如果狀態碼不是200,產生異常 r.encoding = 'utf-8' #字元編碼格式改成 utf-8 return r.text except: #異常處理 return " error " url = "http://www.baidu.com" print( getHTMLText(url) )
[[email protected] demo]# python3 demo.py
第二步:分析
使用bs4庫中BeautifulSoup類,生成一個物件。find()和find_all()方法可以遍歷這個html檔案,提取指定資訊。
更多瞭解:https://www.crummy.com/software/BeautifulSoup/
編寫程式碼
[[email protected] demo]# touch demo1.py [[email protected] demo]# vim demo1.py
#web爬蟲學習 -- 分析
#獲取頁面資訊
#輸入:url
#處理:request庫獲取頁面資訊,並從爬取到的內容中提取關鍵資訊
#輸出:列印輸出提取到的關鍵資訊
import requests
from bs4 import BeautifulSoup
import re
def getHTMLText(url):
try:
r = requests.get( url, timeout=30 )
r.raise_for_status() #如果狀態碼不是200,產生異常
r.encoding = 'utf-8' #字元編碼格式改成 utf-8
return r.text
except:
#異常處理
return " error "
def findHTMLText(text):
soup = BeautifulSoup( text, "html.parser" ) #返回BeautifulSoup物件
return soup.find_all(string=re.compile( '百度' )) #結合正則表示式,實現字串片段匹配
url = "http://www.baidu.com"
text = getHTMLText(url) #獲取html文字內容
res = findHTMLText(text) #匹配結果
print(res) #列印輸出
[[email protected] demo]# python3 demo1.py
一個例子:中國大學排名爬蟲
參考連結:https://python123.io/index/notebooks/python_programming_basic_v2
#e23.1CrawUnivRanking.py
import requests
from bs4 import BeautifulSoup
allUniv = []
def getHTMLText(url):
try:
r = requests.get(url, timeout=30)
r.raise_for_status()
r.encoding = 'utf-8'
return r.text
except:
return ""
def fillUnivList(soup):
data = soup.find_all('tr')
for tr in data:
ltd = tr.find_all('td')
if len(ltd)==0:
continue
singleUniv = []
for td in ltd:
singleUniv.append(td.string)
allUniv.append(singleUniv)
def printUnivList(num):
print("{:^4}{:^10}{:^5}{:^8}{:^10}".format("排名","學校名稱","省市","總分","培養規模"))
for i in range(num):
u=allUniv[i]
print("{:^4}{:^10}{:^5}{:^8}{:^10}".format(u[0],u[1],u[2],u[3],u[6]))
def main():
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
html = getHTMLText(url)
soup = BeautifulSoup(html, "html.parser")
fillUnivList(soup)
printUnivList(10)
main()
展示