目录
1. 入门爬虫教程
python爬虫入门教程(二):开始一个简单的爬虫,https://blog.csdn.net/aaronjny/article/details/77945329
python爬虫入门教程(三):淘女郎爬虫 ( 接口解析 | 图片下载 ),https://blog.csdn.net/aaronjny/article/details/80291997
comment:虽然博客很老了,有部分内容已经不适用了、被淘汰了,但对于新手用来学习还是可以的
2. 初级爬虫教程
source:https://www.cnblogs.com/wsmrzx/p/10531708.html
2.1 爬取百度百科词条基本信息
import urllib.request
import urllib.parse
from lxml import etree
import ssl
ssl._create_default_https_context = ssl._create_unverified_context
def query(content):
# 请求地址
url = 'https://baike.baidu.com/item/' + urllib.parse.quote(content)
# 请求头部
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36'
}
# 利用请求地址和请求头部构造请求对象
req = urllib.request.Request(url=url, headers=headers, method='GET')
# 发送请求,获得响应
response = urllib.request.urlopen(req)
# 读取响应,获得文本
text = response.read().decode('utf-8')
# 构造 _Element 对象
html = etree.HTML(text)
# 使用 xpath 匹配数据,得到匹配字符串列表
sen_list = html.xpath('//div[contains(@class,"lemma-summary") or contains(@class,"lemmaWgt-lemmaSummary")]//text()')
# 过滤数据,去掉空白
sen_list_after_filter = [item.strip('\n') for item in sen_list]
# 将字符串列表连成字符串并返回
return ''.join(sen_list_after_filter)
if __name__ == '__main__':
while (True):
content = input('查询词语:')
result = query(content)
print("查询结果:%s" % result)
转载:fei347795790~urllib爬取百度百科
我又用BeautifulSoup的find_all()方法重写了一个,感觉不如xpath简洁。
intro_tag = soup.find_all('div', class_="lemma-summary") # 获取百科基本信息列表
# 处理基本信息:过滤数据,去掉空白
intro_after_filter = [re.sub('\n+', '', item.get_text()) for item in intro_tag]
intro_after_filter = [''.join(i.split()) for i in intro_after_filter]
# 将字符串列表连成字符串并返回
intro_after_filter_str = ''.join(intro_after_filter)
print(intro_after_filter_str)
2.2 爬取百度百科词条信息框数据
soup = BeautifulSoup(text, 'html.parser') # 创建soup对象,获取html代码
title = soup.find_all('dt', class_="basicInfo-item name") # 找到所有dt标签,返回一个列表
node = soup.find_all('dd', class_="basicInfo-item value") # 找到所有dd标签,返回一个列表
allunivinfo = []
titlelist = []
infolist = []
for i in title: # 将所有dt标签内容存入列表
title = i.get_text()
titlelist.append(title)
for i in node: # 将所有dd标签内容存入列表
info = re.sub('\n+', '、', i.get_text()).strip('、')
infolist.append(info)
for i, j in zip(titlelist,
infolist): # 多遍历循环,zip()接受一系列可迭代对象作为参数,将对象中对应的元素打包成一个个tuple(元组),然后返回由这些tuples组成的list(列表)。
info = ''.join((str(i) + ':' + str(j)).split())
allunivinfo.append(info)
print(titlelist)
print(infolist)
print(allunivinfo)
-->为啥不接用用xpath,而改用beautifulsoup解析html网页的信息框数据呢?
因为xpath在提取信息框name,value数据对时的对齐效果不好,它会因为value有多个值而出现错位的情况,而beautifulsoup.find_all可以完美对齐。
2.3 爬取百度百科中人物图片
- get('href')方式,不要用href!不要用href!不要用href!因为href下载的jpg图片损坏,无法打开
- get('src')方式
# 找到所有img标签,返回一个url的标签列表
# img_urllist = soup.find_all('div', class_='album-wrap').find('img')
img_urllist = soup.find('div', class_='main_tab main_tab-defaultTab curTab').find_all('img')
for i in img_urllist:
print(i.get('src'))