网络爬虫的第一步:
根据URL,获取网页的HTML信息。Python3中,可以使用urllib.request和requests进行网页爬取。
Urllib3是一个功能强大,条理清晰,用于HTTP客户端的Python库。
如何将信息输入到文本框内?
如果会报编码错误,其原因是网页及python的编码都是utf-8,在写进txt时Windows默认转码成gbk,遇到某些gbk不支持的字符就会报错。
with open(‘E:\Python_note/Spider_baidu.txt’,’w+’,encoding=’utf-8’) as f:
f.write(req.text)
通过这一句表示,将req.text文本按utf-8的格式写入E:\Python_note\Spider_baidu.txt目录下,如果Spider_baidu.txt不存在则会创建一个txt文本。
爬虫的第一步是获取整个网页的HTML信息,第二部则是解析HTML信息,提取我们感兴趣的内容。提取的方法有很多,可以用正则表达式 ,Xpath、Beautiful Soup等。
遇到的问题:
如何将resultset 转换成 str
直接用str(resultse)强行转换。
Beautiful Soup中的find()函数与find_all():
find(name,attrs,recursive,text,**wargs)
过滤参数:
查找标签,基于name参数
查找文本,基于text参数
基于正则表达式的查找
标签属性的查找,基于attrs参数
基于函数的查找
find()用来查找第一个匹配结果出现的地方,而find_all()正如名字所示,将会找到所有匹配结果出现的地方。应用到find()中的不同过滤参数同理可以用到find_all()中,实际上,过滤参数可以用于任何查找函数,如find_parents()或和find_siblings()。
未完待续…….