2020-11-06 Python----------爬取豆瓣预备知识(urllib库request,beautifulsoup)

本文主要是介绍2020-11-06 Python----------爬取豆瓣预备知识(urllib库request,beautifulsoup),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Python爬取豆瓣

Python编码规范

一般第一句加

# -*- coding: utf-8 -*-

# coding=utf-8

加入main函数用于测试函数

# -*- coding: utf-8 -*-
def main():print("hello")if __name__ == "_main_":   #主程序入口main()
#两个下划线name再两个下划线
#test1文件夹下t1py文件定义了一个函数,在其他文件夹下的文件调用函数
#引入自定义的模块
from test1 import t1

引入系统模块直接import

开始爬

import urllib.request# 获取一个get请求
response = urllib.request.urlopen("http://www.baidu.com")
print(response.read().decode('utf-8'))  # 对获取到的网页源码解码
print(response.getheaders())
print(response.getheaders())  #获取响应头信息
print(response.getheader("Server"))  #获取响应头信息里的server信息,去掉s
# 获取一个post请求
import urllib.request
import urllib.parsedata = bytes(urllib.parse.urlencode({"hello": "world"}), encoding="utf-8")  # data是提交post表单附加的数据,helloworld处可以放置用户名密码
response = urllib.request.urlopen("http://httpbin.org/post", data=data)  # post请求需要接受二进制文件的参数
print(response.read().decode("utf-8"))
# 超时处理,timeout是控制响应时间,否则报错
try:response = urllib.request.urlopen("http://www.baidu.com", timeout=0.01)print(response.read().decode('utf-8'))  # 对获取到的网页源码解码
except urllib.error.URLError as e:print("time  out!")
#反爬虫的伪装,伪装成浏览器
import urllib.request, urllib.errorurl = "https://www.douban.com"
headers = {"User-Agent": "Mozilla/5.0(Windows NT 10.0; Win64; x64)AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36"}
req = urllib.request.Request(url=url,headers=headers)
response = urllib.request.urlopen(req)
print(response.read().decode("utf-8"))
#返回418代表伪装失败
#得到一个指定URL的网页内容
def askURL(url):head={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36"}#用户代理表示告诉豆瓣服务器我们不是爬虫,我们是浏览器request = urllib.request(url,headers=head)    #发起请求try:response = urllib.request.urlopen(request)   #获得回应print(response.read().decode('utf-8'))  # 对获取到的网页源码解码except urllib.error.URLError as e:if hasattr(e,"code"):print(e.code)if hasattr(e,"reason"):print(e.reason)return html
#Beautifulsoup功能,获取页面的标签和里面的内容,还可以获取页面整体的信息from bs4 import BeautifulSoupfile = open("./index.html", "rb")
html = file.read()
bs = BeautifulSoup(html, "html.parser")
print(bs.title)   #有标签  <title>只有百度一下你就知道<title>
print(bs.title.string)  #无标签 只有百度一下你就知道
print(type(bs.title.string))  #NavigableString类型
#还可以bs.a.attrs拿到一个标签里所有的属性,返回字典形式
print(bs.name)  #文档 打印结果[document]
print(bs)  #整个文档
print(type(bs)) #BeautifulSoup类型
print(bs.a.string)
print(type(bs.a.string)) #特殊的NavigableString类型,输出内容不包含注释
# 文档搜索
import refrom bs4 import BeautifulSoupfile = open("./index.html", "rb")
html = file.read()
bs = BeautifulSoup(html, "html.parser")# (1)find_all
# 字符串过滤:会查找与字符串完全匹配的内容
t_list = bs.find_all("a")
print(t_list)
# 正则表达式搜索:使用search()方法来匹配内容
t_list = bs.find_all(re.compile("a"))  # 编译正则表达式# 方法:传入一个函数(方法),根据函数的要求来搜索
def name_is_exists(tag):return tag.has_attr("name")t_list = bs.find_all(name_is_exists)
for item in t_list:print(item)
# (2)kwargs   给参数而不是规则
# t_list = bs.find_all(id="head")
t_list = bs.find_all(class_=True)  # class是系统关键字要加_
t_list = bs.find_all(href="http://news.baidu.com")
for item in t_list:print(item)# (3)text参数
t_list = bs.find_all(text="hao123")
t_list = bs.find_all(text=["hao123", "地图", "贴吧"])
for item in t_list:print(item)
# (4)limit参数
t_list = bs.find_all("a", limit=3)  # 取前三个标签a,限制数
for item in t_list:print(item)# css选择器t_list=bs.select('title')  #用标签查找t_list=bs.select(".mnav")  #按类名查找,css用。表示类名t_list=bs.select("#u1")  #按id查找 css用#表示idt_list = bs.select("a[class='bri']")  # 通过属性来查找t_list = bs.select("head > title")   # 通过子标签来查找
for item in t_list:print(item)t_list = bs.select(".mnav ~ .bri")   #查找.mnav的兄弟标签.bri
print(t_list[0].get_text())

总的代码(还没存数据只是能爬html)

import bs4   #网页解析,获取数据
import re    #正则表达式,进行文字匹配
import urllib.request,urllib.error  #制定URL,获取网页数据
# import xlwt  #进行Excel操作
import sqlite3  #进行SQLite3数据库操作#爬取网页def main():baseurl="https://movie.douban.com/top250?start="#1.爬取网页dataList = getData(baseurl)savapath = ".\\豆瓣电影Top250.xls"def getData(baseurl):dataList=[]for i in range(0,10):url = baseurl + str(i*25)   #str从给定对象创建一个新的字符串对象 ,然后连接字符串html = askURL(url)
# 2.逐一解析数据return dataList
# 3.保存数据#savaDate(savepath)# askURL("https://movie.douban.com/top250")#得到一个指定URL的网页内容
def askURL(url):head={"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.111 Safari/537.36"}#用户代理表示告诉豆瓣服务器我们不是爬虫,我们是浏览器request = urllib.request.Request(url,headers=head)    #发起请求try:response = urllib.request.urlopen(request)   #获得回应html = response.read().decode('utf-8') # 对获取到的网页源码解码print(html)except urllib.error.URLError as e:if hasattr(e,"code"):print(e.code)if hasattr(e,"reason"):print(e.reason)return html#保存数据
def savaDate(savepath):print("save......")if __name__ == '__main__':main()

按照老师敲得一步一步来的,但是还是有好多错误,落个定义啥的,最后解决完error,执行居然是空的,原来是没定义main执行的入口,最后加上终于好了。

if __name__ == '__main__':main()

这篇关于2020-11-06 Python----------爬取豆瓣预备知识(urllib库request,beautifulsoup)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/941252

相关文章

Java架构师知识体认识

源码分析 常用设计模式 Proxy代理模式Factory工厂模式Singleton单例模式Delegate委派模式Strategy策略模式Prototype原型模式Template模板模式 Spring5 beans 接口实例化代理Bean操作 Context Ioc容器设计原理及高级特性Aop设计原理Factorybean与Beanfactory Transaction 声明式事物

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

sqlite3 相关知识

WAL 模式 VS 回滚模式 特性WAL 模式回滚模式(Rollback Journal)定义使用写前日志来记录变更。使用回滚日志来记录事务的所有修改。特点更高的并发性和性能;支持多读者和单写者。支持安全的事务回滚,但并发性较低。性能写入性能更好,尤其是读多写少的场景。写操作会造成较大的性能开销,尤其是在事务开始时。写入流程数据首先写入 WAL 文件,然后才从 WAL 刷新到主数据库。数据在开始

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

06 C++Lambda表达式

lambda表达式的定义 没有显式模版形参的lambda表达式 [捕获] 前属性 (形参列表) 说明符 异常 后属性 尾随类型 约束 {函数体} 有显式模版形参的lambda表达式 [捕获] <模版形参> 模版约束 前属性 (形参列表) 说明符 异常 后属性 尾随类型 约束 {函数体} 含义 捕获:包含零个或者多个捕获符的逗号分隔列表 模板形参:用于泛型lambda提供个模板形参的名

usaco 1.3 Mixing Milk (结构体排序 qsort) and hdu 2020(sort)

到了这题学会了结构体排序 于是回去修改了 1.2 milking cows 的算法~ 结构体排序核心: 1.结构体定义 struct Milk{int price;int milks;}milk[5000]; 2.自定义的比较函数,若返回值为正,qsort 函数判定a>b ;为负,a<b;为0,a==b; int milkcmp(const void *va,c

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该