Beautiful Soup
http://www.imooc.com/learn/712 视频课程:python遇见数据采集
https://segmentfault.com/a/1190000005182997 PyQuery的使用方法
importbs4print(bs4.__version__) #当前版本是4.5.3 2017-4-6
安装第三方库
C:\Python3\scripts\> python pip.exe install bs4 (引入第三方库 bs4 )——BeautifulSoup
C:\Python3\scripts\> python pip.exe install html5lib(引入第三方库 html5lib )——html5解析器,BeautifulSoup要用到
打开本地的zzzzz.html文件,用 BeautifulSoup 解析
from urllib importrequestfrom bs4 importBeautifulSoupimport html5lib #html5解析器
url='file:///C:/Python3/zz/zzzzz.html'resp=request.urlopen(url)
html_doc=resp.read()
soup= BeautifulSoup(html_doc,'lxml')#使用BeautifulSoup解析这段代码。'lxml'是解析器,除此之外还有'html.parser'、'xml'、'html5lib'等
print(soup.prettify()) #按照标准的缩进格式的结构输出
print(soup.title)#
标签print(soup.title.string)#
标签的文字print(soup.find(id="div111"))#查找id
print(soup.find(id="div111").get_text())#获得标签内的所有文本内容文字
print(soup.find("p", {"class": "p444"}))#查找
print(soup.select('.p444'))#css选择器!!! (这里的数据类型是 list)
for tag1 in soup.select('.p444'):print(tag1.string)print(soup.select('.div2 .p222'))#css选择器!!!
print(soup.findAll("a"))#所有标签
for link in soup.findAll("a"):print(link.get("href"))print(link.string)
使用正则
importre
data= soup.findAll("a",href=re.compile(r"baidu\.com"))for tag22 indata:print(tag22.get("href"))
练习1:解析一个网页
由于win7上的编码解码问题搞不定,只好先使用标准html5的网页了。先拿廖大的python教程页做练习了,抓取左侧的目录
#-*- coding: utf-8 -*-
from urllib importrequestfrom bs4 importBeautifulSoupimport html5lib #html5解析器
url="http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000"resp=request.urlopen(url)
html_doc=resp.read()#使用BeautifulSoup解析这段代码。'lxml'是解析器,除此之外还有'html.parser'、'xml'、'html5lib'等
soup = BeautifulSoup(html_doc,'html.parser')#soup = BeautifulSoup(html_doc,'lxml')
#按照标准的缩进格式的结构输出#print(soup.prettify())
f= open("c:\\Python3\zz\\0.txt","w+")for tag1 in soup.select('.x-sidebar-left-content li a'):#ss = tag1.get_text()
ss =tag1.string
ss2= tag1.get("href")print(ss,"---","http://www.liaoxuefeng.com",ss2)
f.writelines(ss+ "--- http://www.liaoxuefeng.com"+ss2+"\n")#写入字符串
f.close()
2017-10-18:
http://www.cnblogs.com/zhaof/p/6930955.html 一些解析器(Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,如果我们不安装它,则 Python 会使用 Python默认的解析器,lxml 解析器更加强大,速度更快,推荐安装。)
爬取 http://www.bootcdn.cn,获得一个字典( dict["包名称": star数值] ),存入文本文件: (一个想法,可以定期扒一次,例如3个月。再比对上次的dict记录,观察哪些项目的星升的比较快。比较受关注。)
#python 3.6.0
import requests #2.18.4
import bs4 #4.6.0
importhtml5lib
url= "http://www.bootcdn.cn/"
#url = "http://www.bootcdn.cn/all/"
headers = {'User-Agent': 'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/537.36 (khtml, like gecko) chrome/61.0.3163.100 safari/537.36'}
r = requests.get(url,headers=headers)#r=requests.get(url)
print(r.encoding) #获得编码
print(r.status_code) #获得状态码
soup= bs4.BeautifulSoup(r.content.decode("utf-8"), "lxml") #'lxml'是解析器,除此之外还有'html.parser'、'xml'、'html5lib'等#soup = bs4.BeautifulSoup(r.content, "html5lib")#aa = soup.decode("UTF-8", "ignore")#print(soup.prettify())#按照标准的缩进格式的结构输出
#将数据解析成字典
element = soup.select('.packages-list-container .row')
starsList={}for item inelement:#print(item.select("h4.package-name"))
#print(item.select(".package-extra-info span"))
#print(item.h4.text)
#print(item.span.text)
starsList[item.h4.text]=item.span.textprint(starsList)#将字典存入文本文件
importtimefrom datetime importdatetimetry:
f= open('1.txt', 'a+')
t2=datetime.fromtimestamp(float(time.time()))
f.write('\n'+str(t2))
f.write('\n'+str(starsList))finally:iff:
f.close()
爬取廖雪峰的python教程:(就是先用bs4解析左边的目录列表,拿到链接,存为字典,并保存到文本文件中。再扒取。) 共123条,但我只扒下28个文件
importrequestsimportbs4importurllib
url="http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000"
#r = requests.get(url) #这里不加header,不让爬了
headers = {'User-Agent': 'mozilla/5.0 (windows nt 6.1; wow64) applewebkit/537.36 (khtml, like gecko) chrome/61.0.3163.100 safari/537.36'}
r= requests.get(url,headers=headers)
soup= bs4.BeautifulSoup(r.content.decode("utf-8"), "lxml")#生成字典,并保存在文本文件中
f = open("c:\\Python3\\zz\\liaoxuefeng\\a.txt","w+")
mylist= soup.select('#x-wiki-index .x-wiki-index-item')
myhrefdict={}for item inmylist:
myhrefdict[item.text]= "https://www.liaoxuefeng.com" + item["href"]#print(item.text,item["href"]) #item.text tag1.string item["href"] item.get("href")。
#f.writelines(item.text + " --- http://www.liaoxuefeng.com"+item["href"]+"\n")#写入字符串
f.write(str(myhrefdict))
f.close()#爬取文件
i =0for key,val inmyhrefdict.items():
i+= 1name= str(i) + '_' + key + '.html'link=valprint(link,name)
urllib.request.urlretrieve(link,'liaoxuefeng\\' + name) #提前要创建文件夹
Requests库: 2017-10-30
http://www.python-requests.org/en/master/api/ Requests库 API文档
http://www.cnblogs.com/yan-lei/p/7445460.html Python网络爬虫与信息提取
requests.request() 构造一个请求,支撑以下各方法的基础方法
requests.get(url, params=None, **kwargs)获取HTML网页的主要方法,对应于HTTP的GET
requests.head(url, **kwargs)获取HTML网页头信息的方法,对应于HTTP的HEAD
requests.post(url, data=None, json=None, **kwargs)向HTML网页提交POST请求的方法,对应于HTTP的POST
requests.put(url, data=None, **kwargs)向HTML网页提交PUT请求的方法,对应于HTTP的PUT
requests.patch(url, data=None, **kwargs)向HTML网页提交局部修改请求,对应于HTTP的PATCH
requests.delete(url, **kwargs)向HTML页面提交删除请求,对应于HTTP的DELET
代理: 2018-2-5
importrequests
proxies={"http": "http://10.10.1.10:3128","https": "http://10.10.1.10:1080",
}
requests.get("http://aaa.com", proxies=proxies)
https://www.v2ex.com/t/364904#reply0 带大家玩一个练手的数据采集(简洁版)
http://www.xicidaili.com/nn/ 高匿免费代理
...