Python爬虫系列(一)初期学习爬虫的拾遗与总结

原创 2017年04月16日 20:22:01

最近,为了提取裁判文书网的有关信息,自己迈入Python的学习之路,写了快两周的代码,自己写这篇文章总结下踩过的坑,还有遇到一些好的资料和博客等总结下,以便自己后期复习和参考和、分享给大家交流学习,也欢迎大家补充些精彩内容。

一、环境搭建和工具准备

1、为了省去时间投入学习,推荐直接安装集成环境 Anaconda

2、IDE:Pycharm、Pydev

3、工具:Jupyter Notebook(安装完Anaconda会有的)

二、Python基础视频教程

1、疯狂的Python:快速入门精讲(Python2.x,可体验到与Python3.x的差异)

2、零基础入门学习Python(小甲鱼的视频课程)

看完这些课程,自己对Python有一个感觉和掌握,可以继续看一些进阶教程

3、Python3大全(pasword:bf3e)

三、Python爬虫视频教程

1、Python网络爬虫实战(完整的看下来,收获不小)

2、Python3爬虫三大案例实战分享(非常好的课程,很多干货)

四、Python爬虫的相关连接

1、python爬虫的最佳实践

2、Python网络爬虫实战项目代码大全

3、零基础制作一个Python 爬虫

4、Python爬虫入门

5、Python3(csdn博客)

7、抓取斗鱼tv的房间信息

五、正则表达式和BeautifulSoup、PhatomJS +Selenium的使用

1、Python爬虫小白入门

2、轻松自动化---selenium-webdriver(python)

3、 Python 正则表达式 re 模块简明笔记

4、【Python 笔记】selenium 简介

5、Python爬虫入门(7):正则表达式

(大家可以关注写这些文章的作者,一般他们有Python文集,大家可以收藏下有参考价值的文章)

六、自己爬取新浪新闻相关信息的实战



爬取页面

我直接把源码贴在这里了,是参考Python网络爬虫实战课程做下来的

新闻评论数抽取函数

import re

import json

import requests

#js抓取新闻评论信息

commentURL='http://comment5.news.sina.com.cn/page/info?version=1&format=js&\

channel=gn&newsid=comos-{}&\

group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20&jsvar=loader_1491395188566_53913700'

def getCommentCounts(newsurl):

#获取新闻id

m=re.search('doc-i(.+).shtml',newsurl)

newsid=m.group(1)

#根据新闻id获取评论信息

comments=requests.get(commentURL.format(newsid))

#将信息解析为json格式

jd=json.loads(comments.text.strip('var loader_1491395188566_53913 700='))

return jd['result']['count']['total']



新闻内文信息抽取函数

import requests

from datetime import datetime

from bs4 import BeautifulSoup

def getNewsDetail(newsurl):

result={}

res=requests.get(newsurl)

res.encoding='utf-8'

soup=BeautifulSoup(res.text,'html.parser')

result['title']=soup.select('#artibodyTitle')

timesource=soup.select('.time-source')[0].contents[0].strip()

result['dt']=datetime.strptime(timesource,'%Y年%m月%d日%H:%M')

result['source']=soup.select('.time-source span a')[0].text

result['article']=' '.join([p.text.strip() for p in soup.select('#artibody p')[:-1]])

result['editor']=soup.select('.article-editor')[0].text.lstrip('责任编辑:')

return result



七、感想

这些天学习下来,Python爬虫思路和套路很明确,主要是我们要对不同网站(反爬等)设计不同爬取路线和方法,但是还是要求自己总结方法和积累知识吧,还有一点自己也希望能把爬虫运用到实际生活或者应用中(如果单纯的抽取一个网页信息其实没多大意思),比如尝试应用到批量下载一个网站的图片或者文件等等,让爬虫为我们服务。


(ps:自己会持续更新和补充内容,也换大家留言补充)

版权声明:本文为博主原创文章,未经博主允许不得转载。 举报

相关文章推荐

初学python爬虫

一、python简介: Python是一种面向对象的解释型计算机程序设计语言,是著名的“龟叔”Guido van Rossum在1989年圣诞节期间,为了打发无聊的圣诞节而编写的一个编程语言...

初学python,一些总结

最近偷懒学了下python ,做了两个小程序吃

精选:深入理解 Docker 内部原理及网络配置

网络绝对是任何系统的核心,对于容器而言也是如此。Docker 作为目前最火的轻量级容器技术,有很多令人称道的功能,如 Docker 的镜像管理。然而,Docker的网络一直以来都比较薄弱,所以我们有必要深入了解Docker的网络知识,以满足更高的网络需求。

爬虫爬虫爬虫(一)

准备工作 关于scrapy准备工作运行了一下示例 的源码,卡住了!!!关于scrapy光是起步就已经撞得满头包了〒▽〒 本来看着教程,开开心心的做第一步,先建个工程 scrapy不是一个可以执行的...

Python爬虫学习四——爬虫实战

Python爬虫学习四——爬虫代码Python爬虫学习四爬虫代码 背景 项目分析 代码 1 获取网页内容 2 提取网页中文章名称和链接 3 提取文章页数 4 保存html页面信息 5 主函数实战项目是...

python爬虫学习--pixiv爬虫(1)--p站爬虫的登录

前段时间看了点爬虫的知识,自己也写了点,不怎么太好。。。总有错。。。 冷却了一段时间继续我的爬虫学习。。。 这次我的目标是爬遍pixiv。。。 (虽然有些不可能。。。 不过一点点来。。...

python 爬虫总结(一)

__author__ = 'fen' # coding=utf8 import urllib2 import urllib from StringIO import StringIO import b...

Python爬虫学习

最近由于论文需要,用Python写了爬虫爬取数据。在这个过程中,认识到学习一门语言最好的办法是动手,别无技巧。在动手编程的过程中,遇到了很多意想不到的问题,当然也学习了很多书本上不会讲述的知识,感觉这...

python爬虫学习

爬虫网络爬虫(Web crawler),蚂蚁(ant),自动检索工具(automatic indexer),或者(在FOAF软件概念中)网络疾走(WEB scutter),是一种“自动化浏览网路”的程...

学习Python爬虫

在学习廖雪峰老师的python教程,和优达学城的数据分析课程,了解了python的使用,以及数据清洗和处理的一些方法后,想到了“数据获取”。然后就搜到了一篇讲解Python爬虫的系列教程 http:/...

python 爬虫学习

opencv学到心类,函数看了一遍,并不怎么记得住。算是把《opencv 2计算机视觉编程手册+源码》看完了,后两章的头文件里面,feature2D有问题,额,运行不了,等下换自己的windows试试...
返回顶部
收藏助手
不良信息举报
您举报文章:深度学习:神经网络中的前向传播和反向传播算法推导
举报原因:
原因补充:

(最多只允许输入30个字)