python 网页上显示数据_用Python实现网页数据抓取

需求： 获取某网站近10万条数据记录的相关详细信息。

分析：数据的基本信息存放于近1万个页面上，每个页面上10条记录。如果想获取特定数据记录的详细信息，需在基本信息页面上点击相应记录条目，跳转到详细信息页面。详细信息页面的地址可从基本信息页面里的href属性获取。

方法：开始时使用beautiful soup进行爬网，因速度较慢，换用lxml，速度改善不明显。

beautiful soup

importbs4importreimportrequestsimportlxml.html

f=open('testpython2.txt','w',encoding='utf-8')

j=30

while(j<41):

beautiful=requests.get(webaddress).content

soup=bs4.BeautifulSoup(beautiful,"lxml")

m=5

while m <85:

daf1=soup.find_all('a')[m].get_text()if daf1!='哈哈':

daf=soup.find_all('a')[m-1].get('href')

c='webaddress1'+str(daf)if requests.get(c).status_code==500:

f.write('Cannot found!')

f.write('\n')else:

beautiful1=requests.get(c).content

soup1=bs4.BeautifulSoup(beautiful1,"lxml")

daf2=soup1.find(id="project_div2")

p=2

while (p<20):

mm=daf2.find_all('td')[p].get_text()

f.write(mm)

f.write(' ')

p=p+2daf3=soup1.find(id="xiugai")

hh=0for tag in daf3(re.compile("td")):

hh=hh+1q=2

while (q

nn=daf3.find_all('td')[q].get_text().replace(' ','')

nn1=daf3.find_all('td')[q+1].get_text().replace(' ','')

nn2=daf3.find_all('td')[q-1].get_text().replace(' ','')

nn3=daf3.find_all('td')[q-2].get_text().replace(' ','')if nn2==nn3:

f.write(nn2)

f.write(';')

f.write(nn)

f.write('，')

f.write(nn1)

f.write(',')else:if nn2=='1':

f.write('InteriorRing')

f.write(nn2)

f.write(';')

f.write(nn)

f.write('，')

f.write(nn1)

f.write(',')else:

f.write(nn2)

f.write(';')

f.write(nn)

f.write('，')

f.write(nn1)

f.write(',')

q=q+4f.write('\n')

m=m+8j=j+1f.close()

lxml

importbs4importreimportrequestsimportlxml.htmlfrom lxml.cssselect importCSSSelector

f=open('testpython2.txt','w',encoding='utf-8')

j=2001

while(j<2592):

link="webaddress"headers={'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6','referer':'link'}

beautiful= requests.get(link,headers=headers).content

tree=lxml.html.fromstring(beautiful)

sel=CSSSelector('div div table tr td a')

results=sel(tree)

m=5

while m <85:

match=results[m]if results[m-4].text=='XXX:

daf=match.get('href')

c='webaddress2'+str(daf)if requests.get(c).status_code==500:

f.write('Cannot found!')

f.write('\n')else:

beautiful1=requests.get(c).content

tree1=lxml.html.fromstring(beautiful1)

sel1=CSSSelector('div[id="project_div2"] table tr td')

results1=sel1(tree1)

p=2

while (p<20):

match1=results1[p]

mm=match1.textif mm isNone:

f.write('NoValue')else:

f.write(mm)

f.write(' ')

p=p+2sel2=CSSSelector('div[id="xiugai"] table tr')

sel3=CSSSelector('div[id="xiugai"] table tr td')

results2=sel2(tree1)

results3=sel3(tree1)

ee=len(results3)

q=2

while (q

nn1=results3[q].text

nn2=results3[q+1].text

nn3=results3[q-1].text

nn4=results3[q-2].text

f.write(nn4)

f.write(',')

f.write(nn3)

f.write(',')

f.write(nn1)

f.write(',')

f.write(nn2)

f.write(';')

q=q+4f.write('\n')

m=m+8j=j+1f.close()

问题：1. Python中如何安装库。

解决方法：cmd，cd 定位到Python安装目录相应文件夹，再用easy install或者 pip命令进行安装

cd C:\Python36-32\Scripts

pip install lxml

2. urllib使用。

2.x版本的Python可以直接使用import urllib来进行操作，但是3.x版本的python使用的是import urllib.request来进行操作

beautiful = urllib.request.urlopen(webaddress).read()

3. urllib vs. requests

使用urllib，网页读取不稳定，时常很快断连接。改用requests。

beautiful = requests.get(webaddress).content

4. beautiful soup爬网速度太慢。查询文档，换用lxml，速度改善不明显

之前

soup=bs4.BeautifulSoup(beautiful,"html.parser")

之后

soup=bs4.BeautifulSoup(beautiful,"lxml")

5.根据网上查询（http://blog.csdn.net/my_precious/article/details/52948362）， 为了测试速度，完全弃用beautiful soup，使用lxml和CSSSelector

importlxml.htmlfrom lxml.cssselect importCSSSelector

tree=lxml.html.fromstring(beautiful)

sel=CSSSelector('div div table tr td a')

results=sel(tree)

match=results[m]

daf=match.get('href')

daf1=match[1].text

6. 读取50+页面时，遭遇10054错误，链接断开。

requests.exceptions.ConnectionError: ('Connection aborted.', ConnectionResetError(10054, '远程主机强迫关闭了一个现有的连接。', None, 10054, None))

解决方法：添加header，讲referer设为网站自身地址，避免网站误以为网站攻击

headers={'User-Agent':'Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US; rv:1.9.1.6) Gecko/20091201 Firefox/3.5.6','referer':'link'}

beautiful= requests.get(link,headers=headers).content

感受： Python大小写敏感，缩进格式要求严格。