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。

相关文章推荐

爬虫数据来源网站

1、顺企网  http://www.11467.com/dir.html 2、数据中华 http://data.allchinadata.com/Enterprise/Result.aspx?Key...

Python爬虫进阶一之爬虫框架概述

爬虫入门之后,我们有两条路可以走。

Python 爬虫批量下载美剧 from 人人影视 HR-HDTV

本人比较喜欢看美剧,尤其喜欢人人影视上HR-HDTV 的 1024 分辨率的高清双字美剧,这里写了一个脚本来批量获得指定美剧的所有 HR-HDTV 的 ed2k下载链接,并按照先后顺序写入到文本文件。...

Python 爬虫学习系列教程

原文地址:http://cuiqingcai.com/1052.html 大家好哈,我呢最近在学习Python爬虫,感觉非常有意思,真的让生活可以方便很多。学习过程中我把一些学习的笔记总结下来,还...

Python爬虫学习系列教程

大家好哈,我呢最近在学习Python爬虫,感觉非常有意思,真的让生活可以方便很多。学习过程中我把一些学习的笔记总结下来,还记录了一些自己实际写的一些小爬虫,在这里跟大家一同分享,希望对Python爬虫...
  • pql925
  • pql925
  • 2016年04月11日 19:36
  • 492

python3进阶学习总结——简单爬虫实现

从网上爬数据的过程包括:访问页面并获取页面的所有的内容——按照正则表达式筛选并把想要的数据分组——保存数据①获取页面所有内容import urllib.request import sys#设置访问登...

Python爬虫/文本处理/科学计算/机器学习——工具包总结

曾经因为NLTK的缘故开始学习Python,之后渐渐成为我工作中的第一辅助脚本语言,虽然开发语言是C/C++,但平时的很多文本数据处理任务都交给了Python。离开腾讯创业后,第一个作品课程图谱也是选...

用Python写网络爬虫-学习总结

每日更新....

Python爬虫系列之----Scrapy(七)使用IP代理池

一、手动更新IP池 1.在settings配置文件中新增IP池: IPPOOL=[ {"ipaddr":"61.129.70.131:8080"}, {"ipaddr":"61.152.8...

Python 爬虫瞎玩系列(1) —— Bilibili的前100个上古巨坟考古

Python 爬虫瞎玩系列(1) —— Bilibili的前100个上古巨坟考古 《Python爬虫从瞎玩到发疯》,零基础,全是胡说。...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:Python爬虫系列(一)初期学习爬虫的拾遗与总结
举报原因:
原因补充:

(最多只允许输入30个字)