天天看點

Python開發簡單爬蟲

簡單爬蟲架構

Python開發簡單爬蟲
動态運作流程
Python開發簡單爬蟲
URL管理器的作用
Python開發簡單爬蟲
URL管理器的3種實作方式
Python開發簡單爬蟲
網頁下載下傳器的作用
Python開發簡單爬蟲
Python網頁下載下傳器的種類
Python開發簡單爬蟲
urllib2下載下傳網頁的3種方法
Python開發簡單爬蟲
Python開發簡單爬蟲
Python開發簡單爬蟲
Python開發簡單爬蟲
網頁解析器的作用
Python開發簡單爬蟲
Python的幾種網頁解析器
Python開發簡單爬蟲
結構化解析依賴DOM樹
Python開發簡單爬蟲
Beautiful Soup文法
Python開發簡單爬蟲
Python開發簡單爬蟲

代碼舉例:

1.建立Beautiful Soup對象

1 from bs4 import BeautifulSoup
2 
3 soup = BeautifulSoup(
4     html_doc,               #HTML文檔字元串
5     'heml.parser',          #HTML解析器
6     from_encoding='utf-8'   #HTML文檔的編碼
7 )      

2.find_all find方法的使用

Python開發簡單爬蟲

3.通路節點資訊

Python開發簡單爬蟲

4.Beautiful Soup處理html文檔舉例

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文檔字元串
20     'html.parser',          #HTML解析器
21     from_encoding='utf-8'   #HTML文檔的編碼
22 )
23 
24 print('擷取所有的連接配接')
25 links = soup.find_all('a')
26 for link in links:
27     print(link.name,link['href'],link.get_text())
28 
29 print('擷取tillie的連接配接')
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('正規表達式比對')
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('擷取P段落文字')
38 p_node = soup.find('p',class_='title')
39 print(p_node.name,p_node.get_text())      

控制台輸出:

1 擷取所有的連接配接
 2 a http://example.com/elsie Elsie
 3 a http://example.com/lacie Lacie
 4 a http://example.com/tillie Tillie
 5 擷取tillie的連接配接
 6 a http://example.com/tillie Tillie
 7 正規表達式比對
 8 a http://example.com/elsie Elsie
 9 擷取P段落文字
10 p The Dormouse's story      

更進階的爬蟲還會涉及到“需登陸、驗證碼、Ajax、伺服器防爬蟲、多線程、分布式”等情況

Python開發簡單爬蟲