利用python爬取网页的准备工作

引用库

from bs4 import BeautifulSoup                #网页解析，获取数据
import re                                    #正则表达式，进行文字匹配
import urllib.request,urllib.error           #制定URL，获取网页数据
import xlwt                                  #进行excel操作
import sqlite3                               #进行SQLite数据库操作

获取网页内容

#得到指定URL的网页内容
def askURL(url):
    head = {"User-Agent":""}
    #模拟浏览器头部信息，向服务器发送消息
    request = urllib.request.Request(url,headers=head)
    html = ""
    try:
        response = urllib.request.urlopen(request)
        html = response.read().decode("utf-8")       
    except urllib.error.URLError as e:
        if hasattr(e,"code"):
            print(e.code)
        if hasattr(e,"reason"):
            print(e.reason)
    return html

利用正则表达式提取想要的数据

#创建正则表达式对象，表示规则（字符串模式）
findlink = re.compile(r'<a href="(.*)">')
findphoto = re.compile(r'src="(.*?)"')


def getDate(baseurl):
    datelist = []
    for i in range(0,10):
        url=baseurl+str(i*25)
        #baseurl+"i*25"
        html = askURL(url) 
        soup = BeautifulSoup(html,"html.parser")
        for item in soup.find_all('div',class_="item"): #查找符合要求的字符串，形成列表
            date = []                                   
            link = re.findall(findlink,item)            #re库通过正则表达式查找指定字符串

            
            
            date.append(link)

            datelist.append(date)
     
    return datelist

将获取的内容保存到excel表 

def saveDate(savepath,Datelist):
    print("save")
    book = xlwt.Workbook(encoding="utf-8",style_compression=0)              #创建workbook对象
    sheet = book.add_sheet('top250',cell_overwrite_ok=True)                 #创建工作表
    crl=("1","2","3")
    for i in range(0,3):
        sheet.write(0,i,crl[i])
    for i in range(1,251):
        for j in range(0,3):
            sheet.write(i,j,Datelist[i-1][j])
    book.save(savepath)