python网页信息_Python爬取网页信息的示例

Python爬取网页信息的步骤

以爬取英文名字网站(https://nameberry.com/)中每个名字的评论内容，包括英文名，用户名，评论的时间和评论的内容为例。

1、确认网址

在浏览器中输入初始网址，逐层查找链接，直到找到需要获取的内容。

在打开的界面中，点击鼠标右键，在弹出的对话框中，选择“检查”，则在界面会显示该网页的源代码，在具体内容处点击查找，可以定位到需要查找的内容的源码。

注意：代码显示的方式与浏览器有关，有些浏览器不支持显示源代码功能(360浏览器，谷歌浏览器，火狐浏览器等是支持显示源代码功能)

步骤图：

1)首页，获取A~Z的页面链接

2)名字链接页，获取每个字母中的名字链接(存在翻页情况)

3)名字内容页，获取每个名字的评论信息

2、编写测试代码

1)获取A~Z链接，在爬取网页信息时，为了减少网页的响应时间，可以根据已知的信息，自动生成对应的链接，这里采取自动生成A~Z之间的连接，以pandas的二维数组形式存储

def get_url1():

urls=[]

# A,'B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z'

a=['A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z']　　　　#自动生成A~Z的链接

for i in a:

urls.append("https://nameberry.com/search/baby_names_starting_with/%s" %i)

dp=pd.DataFrame(urls)

dp.to_csv("A~Z_Link1.csv",mode="a",encoding='utf_8_sig')　　　　#循环用于在每个字母链接下，调用爬取名字链接的页面的函数，即函数嵌套

for j in urls:

get_pages_Html(j)

return urls

2)获取名字链接，根据网页源码分析出包含名字链接的标签，编写代码，名字链接用直接存储的方式存储，方便读取名字链接进行对名字的评论内容的获取

#获取页数

def get_pages_Html(url1):

req = requests.get(url1)

soup=BeautifulSoup(req.text)

#异常处理，为解决页面不存在多页的问题，使用re正则表达式获取页面数

try:

lastpage = soup.find(class_="last").find("a")['href']

str1='{}'.format(lastpage)

b=re.findall('\\d+', str1 )

for page in b:

num=page

except:

num=1

get_pages(num,url1)

return num

def get_pages(n,url):

pages=[]

for k in range(1,int(n)+1):

pages.append("{}?page={}".format(url,k))

dp=pd.DataFrame(pages)

dp.to_csv("NUM_pages_1.csv",mode="a",encoding='utf_8_sig')

#函数调用

for l in pages:

parse_HTML2(l)

return pages

# 名字的链接，根据网页源码的标签，确定名字链接的位置

def parse_HTML2(url2):

try:

req = requests.get(url2)

req.encoding = req.apparent_encoding

soup = BeautifulSoup(req.text)

except:

dp=pd.DataFrame(url2)

dp.to_csv("Error_pages_1.csv",mode="a",encoding='utf_8_sig')

name_data_l=[]

error=[]

li_list = soup.find_all('li',class_="Listing-name pt-15 pb-15 bdb-gray-light w-100pct flex border-highlight")

try:

for li in li_list:

nameList=li.find('a',class_='flex-1')['href']

name_data_l.append('https://nameberry.com/'+nameList)

time.sleep(1)

cun(name_data_l,'Name_List_1')

except:

dp=pd.DataFrame(name_data_l)

dp.to_csv("Error_Name_List_1.csv",mode="a",encoding='utf_8_sig')

# cun(url2,'Error_link_Q')

# dp=pd.DataFrame(name_data_l)

# dp.to_csv("Name_List.csv",mode="a",encoding='utf_8_sig')

# for i in name_data_l:

# parse_HTML3(i)

return name_data_l

3)获取名字评论的内容，采用字典形式写入文件

# 名字里的内容

def parse_HTML3(url3):

count=0

req = requests.get(url3)

req.encoding = req.apparent_encoding

soup = BeautifulSoup(req.text)

error=[]

try:

Name=soup.find('h1',class_='first-header').find("a").get_text().replace(",","").replace("\n","")

except:

error.append(url3)

cun(error,"Error_Link_Comment")

li_list = soup.find_all('div',class_="comment")

for li in li_list:

Title=li.find("h4").get_text().replace(",","").replace("\n","")

Time=li.find("p",class_='meta').get_text().replace(",","").replace("\n","")

Comments=li.find("div",class_='comment-text').get_text().replace(",","").replace("\n","")

dic2={

"Name":Name,

"Title":Title,

"Time":Time,

"Comments":Comments

}

time.sleep(1)

count=count+1

save_to_csv(dic2,"Name_data_comment")

print(count)

return 1

3、测试代码

1)代码编写完成后，具体的函数调用逻辑，获取链接时，为直接的函数嵌套，获取内容时，为从文件中读取出名字链接，在获取名字的评论内容。避免因为逐层访问，造成访问网页超时，出现异常。

如图：

2)测试结果

4、小结

在爬取网页内容时，要先分析网页源码，再进行编码和调试，遵从爬虫协议(严重者会被封号)，在爬取的数据量非常大时，可以设置顺序部分请求(一部分的进行爬取网页内容)。

总之，爬虫有风险，测试需谨慎！！！

以上就是Python爬取网页信息的示例的详细内容，更多关于Python爬取网页信息的资料请关注我们其它相关文章！

本文标题: Python爬取网页信息的示例

本文地址: http://www.cppcns.com/jiaoben/python/349360.html