python抓取网页内容并分析,python 抓网页内容分析

python 抓网页内容分析

发布时间：2019-09-10 09:14:46编辑：auto阅读(394)

用Python语言写搜索引擎蜘蛛的脚本非常简单、轻松。给大家分享两种抓网页内容的方法

一、用urllib2/sgmllib包，将目标网页的所有URL列出。

import urllib2

from sgmllib import SGMLParser

class URLLister(SGMLParser):

def reset(self):

SGMLParser.reset(self)

self.urls = []

def start_a(self, attrs):

href = [v for k, v in attrs if k=='href']

if href:

self.urls.extend(href)

f = urllib2.urlopen("http://www.baidu.com/")

if f.code == 200:

parser = URLLister()

parser.feed(f.read())

f.close()

for url in parser.urls: print url

二、用python调用IE抓取目标网页(Require win32com, pythoncom)的所有图像的url和大小

import win32com.client, pythoncom

import time

ie = win32com.client.DispatchEx('InternetExplorer.Application.1')

ie.Visible = 1

ie.Navigate("http://news.sina.com.cn")

while ie.Busy:

time.sleep(0.05)

doc = ie.Document

for i in doc.p_w_picpaths:

print i.src, i.width, i.height

这种方法可以利用IE本身的Javascript. DHTML的支持，来做自动提交Form,和处理Javascript。

有关样例可以参考http://win32com.de

关键字：