python爬虫常用模块

对于一些简单的爬虫，python（基于python3）有更好的第三方库来实现它，且容易上手。

Python标准库–logging模块
logging模块能够代替print函数的功能，将标准输出到日志文件保存起来，利用loggin模块可以部分替代debug
re模块
正则表达式
sys模块
系统相关模块

sys.argv(返回一个列表，包含所有的命令行)
sys.exit(退出程序)

Python标准库–urllib模块

urllib.requset.urlioen可以打开HTTP（主要）、HTTPS、FTP、协议的URL

ca 身份验证
data 以post方式提交URL时使用
url 提交网络地址（全程 前端需协议名 后端需端口 http:/192.168.1.1:80）
timeout 超时时间设置
函数返回对象有三个额外的方法

geturl() 返回response的url信息 常用与url重定向
info()返回response的基本信息
getcode()返回response的状态代码

1，request

urllib.request最常见的用法是直接使用urllib.request.urlopen()来发起请求，但通常这样是不规范的

一个完整的请求还应该包括headers这样的信息传递，可以这样实

 

 

 

通常防止爬虫被检测，我们需要规定headers，伪造爬虫头部信息，但此方法一般用途不大。

2，BeautifulSoup

beautifulsoup的功能很强大，利用它我们可以实现网页的轻松解析，省掉写很多正则表达式的麻烦。

它拥有几个强大的解析库，包括 内置的html解析器，lxml，html5lib。

一般默认的是html解析器 html.parser

最好的大概是lxml了

用法：

 

 

 

展现beautifulsoup强大的标签选择功能

获取某个html标签的属性：
print(soup.p['name'])

获取某个标签的内容：

print(soup.p.string)

 

获取某个标签内的所有内容，存入列表中

plist=soup.p.contents

获取某个标签内的所有内容，存入列表中

plist=soup.p.contents

 

find_all()标签选择器

例如我们要找到id=content 的div标签的内容

 

 

 

 成功爬取

 

转载于:https://www.cnblogs.com/Crush999/p/11519788.html