python爬虫开发从入门到实战pdf-2019-08-05 《python爬虫开发:从入门到实战》

本文介绍了Python爬虫开发的基础知识,包括使用正则表达式和XPath解析网页,实现简单网页爬虫,利用多线程抓取数据,以及内容的高性能解析。还涉及了数据库操作,如MongoDB和Redis的应用。
摘要由CSDN通过智能技术生成

1.正则表达式

学习了简单的正则表达式使用。通过这个书发现,实际爬虫过程中,用正则表达式去匹配内容,并不是非常常用。

xpath更好用一点。

2.简单网页爬虫开发

2.1 用python获取网页源码

request库

2.2 多线程编码的例子

import re

import requests

import os

from multiprocessing.dummy import Pool

def get_toc(html):

toc_url_list = []

toc_block = re.findall("正文(.*?)", html, re.S)[0] # re.S作用是忽略换行符

toc_url = re.findall("href="(.*?)"", toc_block, re.S)

for url in toc_url:

toc_url_list.append(start_url + url)

return toc_url_list

def get_article(html):

chapter_name = re.search("size="4">(.*?)<", html, re.S).group(1) # group里面的1,代表第一个括号匹配的内容

text_block = re.search("

(.*?)

", html, re.S).group(1)

text_block = text_block.replace("
", " ")

return chapter_name, text_block

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值