Python爬虫学习:小实例

1. 查看网页源代码定位要爬取的信息(谷歌浏览器)

  1. 目标网页:https://blog.csdn.net/nanhuaibeian/article/details/85521071

  2. 审查网页元素,确定爬取内容
    目标想要爬取这一个列表信息
    在这里插入图片描述

  3. 确定网页在div标签下,class属性为‘table-box’
    在这里插入图片描述

  4. Console控制台下得到这个table
    在这里插入图片描述

2.爬取下网页并保存

  1. 代码实现
import requests
url = 'https://blog.csdn.net/nanhuaibeian/article/details/85521071'
response = requests.get(url)
response.encoding('utf-8')
with open('real_case.html','w') as f:
    f.write(response.text)
  1. 由于已经确定获取目标内容的标签为div(class=‘table-box’),往下进行,会发现,爬取下来的网页内容不含有这一标签,审查元素发现这一标签是通过js设置的在这里插入图片描述
    修改方法从谷歌浏览器将源码下载保存到real_case.html中。

3. 获取目标内容

import requests
import re
from lxml import etree
import html

with open('real_case.html','r',encoding='utf-8') as f:
    c = f.read()
#将换行符全部替换掉
s = re.sub(r'\n',' ',c)
tree = etree.HTML(c)
table_element = tree.xpath("//div[@class='table-box'][1]/table/tbody/tr")
# 正则表达式替换掉'<>'
pattern1_attrib = re.compile(r"<.*?>")
#读取内容
for row in table_element:
    try:
        td1 = row.xpath('td')[0]
        s1 = etree.tostring(td1).decode('utf-8')
        #将'<>'用空替换掉
        s1 = pattern1_attrib.sub('',s1)
        #按照HTML5的定义进行转码
        s1 = html.unescape(s1)

        td2 = row.xpath('td')[1]
        s2 = etree.tostring(td2).decode('utf-8')
        s2 = pattern1_attrib.sub('', s2)
        s2 = html.unescape(s2)
        print(s1,':',s2)

    except Exception as err:
        print('error:',err)
        pass
  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

南淮北安

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值