python爬虫学习笔记_python网络爬虫学习笔记（1）

本文实例为大家分享了python网络爬虫的笔记，供大家参考，具体内容如下

(一) 三种网页抓取方法

模块使用C语言编写，速度快，但是很脆弱，可能网页更新后就不能用了。

2、Beautiful Soup

模块使用Python编写，速度慢。

安装： pip install beautifulsoup4

3、 Lxml

模块使用C语言编写，即快速又健壮，通常应该是最好的选择。

(二)Lxml安装 pip install lxml

如果使用lxml的css选择器，还要安装下面的模块 pip install cssselect

(三)使用lxml示例 import urllib.request as re

import lxml.html

#下载网页并返回HTML

def download(url,user_agent='Socrates',num=2):

print('下载:'+url)

#设置用户代理

headers = {'user_agent':user_agent}

request = re.Request(url,headers=headers)

try:

#下载网页

html = re.urlopen(request).read()

except re.URLError as e:

print('下载失败'+e.reason)

html=None

if num>0:

#遇到5XX错误时，递归调用自身重试下载，最多重复2次

if hasattr(e,'code') and 500<=e.code<600:

return download(url,num-1)

return html

html = download('https://tieba.baidu.com/p/5475267611')

#将HTML解析为统一的格式

tree = lxml.html.fromstring(html)

# img = tree.cssselect('img.BDE_Image')

#通过lxml的xpath获取src属性的值，返回一个列表

img = tree.xpath('//img[@class="BDE_Image"]/@src')

x= 0

#迭代列表img,将图片保存在当前目录下

for i in img:

re.urlretrieve(i,'%s.jpg'%x)

x += 1

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持聚米学院。