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

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专

Python中随机休眠技术原理与应用详解

《Python中随机休眠技术原理与应用详解》在编程中,让程序暂停执行特定时间是常见需求,当需要引入不确定性时,随机休眠就成为关键技巧,下面我们就来看看Python中随机休眠技术的具体实现与应用吧... 目录引言一、实现原理与基础方法1.1 核心函数解析1.2 基础实现模板1.3 整数版实现二、典型应用场景2

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,:本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV: 关于颜色总是要转HSV的掩膜再标注总结 目标:将红色的部分滤

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》:本文主要介绍在C#中调用Python代码的两种实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调