python爬取网页公开数据_如何用Python爬取网页数据

使用Python爬取网页数据的方法：

一、利用webbrowser.open()打开一个网站：>>> import webbrowser

>>> webbrowser.open('http://i.firefoxchina.cn/?from=worldindex')

True

1.从sys.argv读取命令行参数：打开一个新的文件编辑器窗口，输入下面的代码，将其保存为map.py。

2.读取剪贴板内容：

3.调用webbrowser.open()函数打开外部浏览：#! python3

import webbrowser, sys, pyperclip

if len(sys.argv) > 1:

mapAddress = ''.join(sys.argv[1:])

else:

mapAddress = pyperclip.paste()

webbrowser.open('http://map.baidu.com/?newmap=1&ie=utf-8&s=s%26wd%3D' + mapAddress

二、用requests模块从Web下载文件：requests模块不是Python自带的，通过命令行运行pip install request安装。>>> import requests

>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex') #向get中传入一个网址

>>> type(res) #响应对象

>>> print(res.status_code) #响应码

200

>>> res.text #返回的文本

在下载文件的过程中，用raise_for_status()方法可以确保下载确实成功，然后再让程序继续做其他事情。import requests

res = requests.get('http://i.firefoxchina.cn/?from=worldindex')

try:

res.raise_for_status()

except Exception as exc:

print('There was a problem: %s' % (exc))

三、将下载的文件保存到本地：>>> import requests

>>> res = requests.get('http://tech.firefox.sina.com/17/0820/10/6DKQALVRW5JHGE1I.html##0-tsina-1-13074-397232819ff9a47a7b7e80a40613cfe1')

>>> res.raise_for_status()

>>> file = open('1.txt', 'wb') #以写二进制模式打开文件，目的是保存文本中的“Unicode编码”

>>> for word in res.iter_content(100000): #iter_content()方法在循环的每次迭代中返回一段bytes数据类型的内容，你需要指定其包含的字节数

file.write(word)

16997

>>> file.close()

四、用BeautifulSoup模块解析HTML：在命令行中用pip install beautifulsoup4安装它。

1.bs4.BeautifulSoup()函数可以解析HTML网站链接requests.get()，也可以解析本地保存的HTML文件，直接open()一个本地HTML页面。>>> import requests, bs4

>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex')

>>> res.raise_for_status()

>>> soup = bs4.BeautifulSoup(res.text)

Warning (from warnings module):

File "C:\Users\King\AppData\Local\Programs\Python\Python36-32\lib\site-packages\beautifulsoup4-4.6.0-py3.6.egg\bs4\__init__.py", line 181

markup_type=markup_type))

UserWarning: No parser was explicitly specified, so I'm using the best available HTML parser for this system ("html.parser"). This usually isn't a problem, but if you run this code on another system, or in a different virtual environment, it may use a different parser and behave differently.

The code that caused this warning is on line 1 of the file . To get rid of this warning, change code that looks like this:

BeautifulSoup(YOUR_MARKUP})

to this:

BeautifulSoup(YOUR_MARKUP, "html.parser")

>>> soup = bs4.BeautifulSoup(res.text, 'html.parser')

>>> type(soup)

我这里有错误提示，所以加了第二个参数。>>> import bs4

>>> html = open('C:\\Users\\King\\Desktop\\1.htm')

>>> exampleSoup = bs4.BeautifulSoup(html)

>>> exampleSoup = bs4.BeautifulSoup(html, 'html.parser')

>>> type(exampleSoup)

2.用select()方法寻找元素：需传入一个字符串作为CSS“选择器”来取得Web页面相应元素，例如：

soup.select('div')：所有名为

的元素；

soup.select('#author')：带有id属性为author的元素；

soup.select('.notice')：所有使用CSS class属性名为notice的元素；

soup.select('div span')：所有在

元素之内的 元素；

soup.select('input[name]')：所有名为并有一个name属性，其值无所谓的元素；

soup.select('input[type="button"]')：所有名为并有一个type属性，其值为button的元素。>>> import requests, bs4

>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex')

>>> res.raise_for_status()

>>> soup = bs4.BeautifulSoup(res.text, 'html.parser')

>>> author = soup.select('#author')

>>> print(author)

[]

>>> type(author)

>>> link = soup.select('link ')

>>> print(link)

[, , , ]

>>> type(link)

>>> len(link)

4

>>> type(link[0])

>>> link[0]

>>> link[0].attrs

{'rel': ['stylesheet'], 'type': 'text/css', 'href': 'css/mozMainStyle-min.css?v=20170705'}

3.通过元素的属性获取数据：接着上面的代码写。>>> link[0].get('href')

'css/mozMainStyle-min.css?v=20170705