广州好蜘蛛网站建设,肇庆自助网站建设系统,西安直播室网站建设,网站建设方案书 5个备案爬虫真是一件有意思的事儿啊#xff0c;之前写过爬虫#xff0c;用的是urllib2、BeautifulSoup实现简单爬虫#xff0c;scrapy也有实现过。最近想更好的学习爬虫#xff0c;那么就尽可能的做记录吧。这篇博客就我今天的一个学习过程写写吧。
一 正则表达式
正则表达式是一个…爬虫真是一件有意思的事儿啊之前写过爬虫用的是urllib2、BeautifulSoup实现简单爬虫scrapy也有实现过。最近想更好的学习爬虫那么就尽可能的做记录吧。这篇博客就我今天的一个学习过程写写吧。
一 正则表达式
正则表达式是一个很强大的工具了众多的语法规则我在爬虫中常用的有
.
匹配任意字符换行符除外
*
匹配前一个字符0或无限次
?
匹配前一个字符0或1次
.*
贪心算法
.*?
非贪心算法
.*?)
将匹配到的括号中的结果输出
\d
匹配数字
re.S
使得.可以匹配换行符
常用的方法有find_all()search()sub()
对以上语法方法做以练习代码见https://github.com/Ben0825/Crawler/blob/master/re_test.py
二 urllib和urllib2
urllib和urllib2库是学习Python爬虫最基本的库利用该库我们可以得到网页的内容同时可以结合正则对这些内容提取分析得到真正想要的结果。
在此将urllib和urllib2结合正则爬取了糗事百科中的作者点赞数内容。
代码见https://github.com/Ben0825/Crawler/blob/master/qiubai_test.py
三 BeautifulSoup
BeautifulSoup是Python的一个库最主要的功能是从网页抓取数据官方介绍是这样的
Beautiful Soup 提供一些简单的、python 式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。
Beautiful Soup 自动将输入文档转换为 Unicode 编码,输出文档转换为 utf-8 编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup 就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup 已成为和 lxml、html6lib 一样出色的 python 解释器,为用户灵活地提供不同的解析策略或强劲的速度。
首先爬取百度百科Python词条下相关的100个页面爬取的页面值自己设定。
代码详见https://github.com/Ben0825/Crawler/tree/master/python_baike_Spider
代码运行巩固篇依据豆瓣中图书的标签得到一个书单同样使用BeautifulSoup。
代码详见https://github.com/Ben0825/Crawler/blob/master/doubanTag.py
运行结果以上就是今天学习的一些内容爬虫真的很有意思啊明天继续学scrapy!
