一、什么是爬蟲爬蟲：一段自動抓取互聯(lián)網(wǎng)信息的程序，從互聯(lián)網(wǎng)上抓取對于我們有價(jià)值的信息。 二、Python爬蟲架構(gòu)Python 爬蟲架構(gòu)主要由五個(gè)部分組成，分別是調(diào)度器、URL管理器、網(wǎng)頁下載器、網(wǎng)頁解析器、應(yīng)用程序（爬取的有價(jià)值數(shù)據(jù)）。
下面用一個(gè)圖來解釋一下調(diào)度器是如何協(xié)調(diào)工作的:
三、urllib2 實(shí)現(xiàn)下載網(wǎng)頁的三種方式#!/usr/bin/python
# -*- coding: UTF-8 -*-
import cookielib
import urllib2
url = "http://www.baidu.com"
response1 = urllib2.urlopen(url)
print "第一種方法"
#獲取狀態(tài)碼，200表示成功
print response1.getcode()
#獲取網(wǎng)頁內(nèi)容的長度
print len(response1.read())
print "第二種方法"
request = urllib2.Request(url)
#模擬Mozilla瀏覽器進(jìn)行爬蟲
request.add_header("user-agent","Mozilla/5.0")
response2 = urllib2.urlopen(request)
print response2.getcode()
print len(response2.read())
print "第三種方法"
cookie = cookielib.CookieJar()
#加入urllib2處理cookie的能力
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cookie))
urllib2.install_opener(opener)
response3 = urllib2.urlopen(url)
print response3.getcode()
print len(response3.read())
print cookie 四、第三方庫 Beautiful Soup 的安裝Beautiful Soup: Python 的第三方插件用來提取 xml 和 HTML 中的數(shù)據(jù)，官網(wǎng)地址 https://www./software/BeautifulSoup/ 1、安裝 Beautiful Soup 打開 cmd（命令提示符），進(jìn)入到 Python（Python2.7版本）安裝目錄中的 scripts 下，輸入 dir 查看是否有 pip.exe, 如果用就可以使用 Python 自帶的 pip 命令進(jìn)行安裝，輸入以下命令進(jìn)行安裝即可： pip install beautifulsoup4 2、測試是否安裝成功 編寫一個(gè) Python 文件，輸入: import bs4 print bs4 運(yùn)行該文件，如果能夠正常輸出則安裝成功。 五、使用 Beautiful Soup 解析 html 文件#!/usr/bin/python
# -*- coding: UTF-8 -*-
import re
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http:///elsie" class="sister" id="link1">Elsie</a>,
<a href="http:///lacie" class="sister" id="link2">Lacie</a> and
<a href="http:///tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
#創(chuàng)建一個(gè)BeautifulSoup解析對象
soup = BeautifulSoup(html_doc,"html.parser",from_encoding="utf-8")
#獲取所有的鏈接
links = soup.find_all('a')
print "所有的鏈接"
for link in links:
print link.name,link['href'],link.get_text()
print "獲取特定的URL地址"
link_node = soup.find('a',href="http:///elsie")
print link_node.name,link_node['href'],link_node['class'],link_node.get_text()
print "正則表達(dá)式匹配"
link_node = soup.find('a',href=re.compile(r"ti"))
print link_node.name,link_node['href'],link_node['class'],link_node.get_text()
print "獲取P段落的文字"
p_node = soup.find('p',class_='story')
print p_node.name,p_node['class'],p_node.get_text()
|
|
|
