Python--开发简单爬虫
程序员文章站
2022-06-30 18:46:55
简单爬虫架构 动态运行流程 URL管理器的作用 URL管理器的3种实现方式 网页下载器的作用 Python网页下载器的种类 urllib2下载网页的3种方法 网页解析器的作用 Python的几种网页解析器 结构化解析依赖DOM树 Beautiful Soup语法 代码举例: 1.创建Beautifu ......
简单爬虫架构
动态运行流程
URL管理器的作用
URL管理器的3种实现方式
网页下载器的作用
Python网页下载器的种类
urllib2下载网页的3种方法
网页解析器的作用
Python的几种网页解析器
结构化解析依赖DOM树
Beautiful Soup语法
代码举例:
1.创建Beautiful Soup对象
1 from bs4 import BeautifulSoup 2 3 soup = BeautifulSoup( 4 html_doc, #HTML文档字符串 5 'heml.parser', #HTML解析器 6 from_encoding='utf-8' #HTML文档的编码 7 )
2.find_all find方法的使用
3.访问节点信息
4.Beautiful Soup处理html文档举例
1 from bs4 import BeautifulSoup 2 import re 3 4 html_doc = """ 5 <html><head><title>The Dormouse's story</title></head> 6 <body> 7 <p class="title"><b>The Dormouse's story</b></p> 8 9 <p class="story">Once upon a time there were three little sisters; and their names were 10 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, 11 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and 12 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; 13 and they lived at the bottom of a well.</p> 14 15 <p class="story">...</p> 16 """ 17 18 soup = BeautifulSoup( 19 html_doc, #HTML文档字符串 20 'html.parser', #HTML解析器 21 from_encoding='utf-8' #HTML文档的编码 22 ) 23 24 print('获取所有的连接') 25 links = soup.find_all('a') 26 for link in links: 27 print(link.name,link['href'],link.get_text()) 28 29 print('获取tillie的连接') 30 link_node = soup.find('a',href='http://example.com/tillie') 31 print(link_node.name,link_node['href'],link_node.get_text()) 32 33 print('正则表达式匹配') 34 link_node2 = soup.find('a',href=re.compile(r'lsi')) 35 print(link_node2.name,link_node2['href'],link_node2.get_text()) 36 37 print('获取P段落文字') 38 p_node = soup.find('p',class_='title') 39 print(p_node.name,p_node.get_text())
控制台输出:
1 获取所有的连接 2 a http://example.com/elsie Elsie 3 a http://example.com/lacie Lacie 4 a http://example.com/tillie Tillie 5 获取tillie的连接 6 a http://example.com/tillie Tillie 7 正则表达式匹配 8 a http://example.com/elsie Elsie 9 获取P段落文字 10 p The Dormouse's story
更高级的爬虫还会涉及到“需登陆、验证码、Ajax、服务器防爬虫、多线程、分布式”等情况