Python抓网页内容

转载 2012年03月24日 18:34:23
用Python语言写搜索引擎蜘蛛的脚本非常简单、轻松。给大家分享两种抓网页内容的方法

一、用urllib2/sgmllib包,将目标网页的所有URL列出。

import urllib2

from sgmllib import SGMLParser

class URLLister(SGMLParser):
    def reset(self):                             
        SGMLParser.reset(self)
        self.urls = []

    def start_a(self, attrs):                     
        href = [v for k, v in attrs if k=='href'] 
        if href:
            self.urls.extend(href)

f = urllib2.urlopen("http://www.donews.com/")

if f.code == 200:
    parser = URLLister()
    parser.feed(f.read())
    f.close()
    for url in parser.urls: print url



二、用python调用IE抓取目标网页(Require win32com, pythoncom)的所有图像的url和大小

import win32com.client, pythoncom
import time
ie = win32com.client.DispatchEx('InternetExplorer.Application.1')
ie.Visible = 1
ie.Navigate("http://news.sina.com.cn")
while ie.Busy:
     time.sleep(0.05)
doc = ie.Document
for i in doc.images:
     print i.src, i.width, i.height

这种方法可以利用IE本身的Javascript. DHTML的支持,来做自动提交Form,和处理Javascript。
有关样例可以参考http://win32com.de

相关文章推荐

python中requests爬去网页内容出现乱码的解决方案

最近在学习python爬虫,使用requests的时候遇到了不少的问题,比如说在requests中如何使用cookies进行登录验证,这可以查看博客内容。这篇博客要解决的问题是如何避免在使用reque...

python多线程抓取网页内容并写入MYSQL

自己的第一个多线程练习,中间踩了不少坑,程序写的很渣,但是勉强能实现功能需求了 ,实际上抓取网页是多线程在MYSQL写入的时候是加了线程锁的 ,实际上感觉就不是在多线程写入了,不过作为第一个练习程序就...

python抓取网页内容

最近想在网上抓取数据做研究,刚好会一点python,就让我们来看一种比较简单的实现方法。 比如我要抓取奥巴马每周的演讲内容http://www.putclub.com/html/radio/VOA/p...

[Python]网络爬虫(二):利用urllib2通过指定的URL抓取网页内容

版本号:Python2.7.5,Python3改动较大,各位另寻教程。 所谓网页抓取,就是把URL地址中指定的网络资源从网络流中读取出来,保存到本地。  类似于使用程序模拟IE浏览器的功能...
  • ida0918
  • ida0918
  • 2016年09月21日 21:00
  • 252

[Python]网络爬虫(二):利用urllib2通过指定的URL抓取网页内容

所谓网页抓取,就是把URL地址中指定的网络资源从网络流中读取出来,保存到本地。  类似于使用程序模拟IE浏览器的功能,把URL作为HTTP请求的内容发送到服务器端, 然后读取服务器端的响应资源。 在...

用Python的Lxml库抓取网页内容

为什么是Lxml 一般来说,Python抓取网页内容有三种方式:正则、BS(Beautiful Soup)、Lxml。列个表格对比下这三种方式吧。 抓取方法 速度 使用难...

python抓取网页内容并进行语音播报

python2.7,下面是跑在window上的,稍作修改就可以跑在linux上。 实测win7和raspbian均可,且raspbian可以直接调用omxplayer命令进行播放。 利用百度的语音...

[Python]网络爬虫(二):利用urllib2通过指定的URL抓取网页内容

所谓网页抓取,就是把URL地址中指定的网络资源从网络流中读取出来,保存到本地。  类似于使用程序模拟IE浏览器的功能,把URL作为HTTP请求的内容发送到服务器端, 然后读取服务器端的响应资源。 ...

[Python]网络爬虫(二):利用urllib2通过指定的URL抓取网页内容

http://blog.csdn.net/pleasecallmewhy/article/details/8923067 版本号:Python2.7.5,Python3改动较大,各位另寻教程。 ...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:Python抓网页内容
举报原因:
原因补充:

(最多只允许输入30个字)