行业大数据爬虫练习

1、使用正则表达式查找使用requests库获取的网页https://www.cnki.net/ 内容中的title内容;

import requests
import re
r = requests.get('https://www.cnki.net/')
r.encoding = 'utf-8'
# print(r.text)
titles = re.findall(r"<title.*?>(.+?)</title>", r.text)
print(titles)

2、使用Xpath和Beautiful Soup查找网站https://weixin.sogou.com/中的热词,并将其存储为Jason格式文档。

#(1)Xpath方法
import requests
from lxml import etree
from json import dumps
import lxml
url="https://weixin.sogou.com/"
html=requests.get(url)
html.encoding="utf-8"
selecter=etree.HTML(html.text)

dict = {1:'',2:'',3:'',4:'',5:'',6:'',7:'',8:'',9:'',10:'',}
for i in range(1,11):
    ppath = """//*[@id="topwords"]/li["""+str(i)+"""]/a/text()"""
    s=selecter.xpath(ppath)
    dict[i] = s[0]
    print (s[0])

print(dict)

dictJson=dumps(dict,indent=4,ensure_ascii=False)
print(dictJson)
#写出到json文件
with open("result.txt", "w") as fp:
    fp.write(dictJson)

beautiful soup

import urllib
from bs4 import BeautifulSoup

with urllib.request.urlopen("https://weixin.sogou.com/") as url:
    res = url.read()
soup = BeautifulSoup(res,"html.parser")
book_div = soup.find(attrs={"id":"topwords"})
i=0
for t in book_div.find_all('a'):
    i+=1;
    print(i, t.get('title'))
#输出json方法同上

lxml库的安装:https://blog.csdn.net/weixin_45203459/article/details/102577999

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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