今天尝试使用python,爬取网页数据。因为python是新安装好的,所以要正常运行爬取数据的代码需要提前安装插件。分别为requests Beautifulsoup4 lxml 三个插件。
因为配置了环境变量,可以cmd命令直接安装。假如电脑上有两个版本的python,建议进入到目录安装。
安装的命令为 pip install requests(Beautifulsoup4 /lxml ) 三条分别执行。
安装结束,可以尝试网上一些简单的例子,明白了解 Beautifulsoup4 解析网页所使用的方式。这个可以避开正则表达式,个人感觉学起来很方便。
soup.select("") 这个方法就是解析网页代码,提取其中某一部分。该方法的使用可以类比java 爬虫的webmagic jsoupXpath-0.1.1.jar 的使用方法。
主要理解这个方法之后就可以看懂大部分代码。
以下为网上的例子代码,比较简单,适合学习。
import requests
from bs4 import BeautifulSoup
def getHTMLText(url):
try:
r = requests.get(url, timeout = 30)
r.raise_for_status()
#r.encoding = "utf-8"
return r.text
except:
return ""
def getContent(url):
html = getHTMLText(url)
# print(html)
soup = BeautifulSoup(html, "html.parser")
title = soup.select("div.hd > h1")
print(title[0].get_text())
time = soup.select("div.a_Info > span.a_time")
print(time[0].string)
author = soup.select("div.qq_articleFt > div.qq_toolWrap > div.qq_editor")
print(author[0].get_text())
paras = soup.select("div.Cnt-Main-Article-QQ > p.text")
for para in paras:
if len(para) > 0:
print(para.get_text())
print()
#写入文件
fo = open("text.txt", "w+")
fo.writelines(title[0].get_text() + " ")
fo.writelines(time[0].get_text() + " ")
for para in paras:
if len(para) > 0:
fo.writelines(para.get_text() + " ")
fo.writelines(author[0].get_text() + " ")
fo.close()
#将爬取到的文章用字典格式来存
article = {
"Title" : title[0].get_text(),
"Time" : time[0].get_text(),
"Paragraph" : paras,
"Author" : author[0].get_text()
}
print(article)
def main():
url = "http://news.qq.com/a/20170504/012032.htm"
getContent(url);
main()
掌握基本的爬取数据之后,便尝爬取取大量数据。经过多次尝试发现,首先需要准备多个ip,同一个ip多次访问长时间会导致结果全部为空。
其次是多线程,为的是增加速度。python中多线程网上大多使用的是pool
使用
if __name__ == "__main__":#需加上这句代码,这时是一种固定的写法
# pool()有一个参数,processes,表示有多少个进程,比如processes=2
pool = ThreadPool() //网上大部分使用的是pool=Pool(),但是经过多次尝试总是失败,然后改成了这样的。
pool.map(get_all_list_info,urlStr) //两个参数,第一个为调用的方法,该方法有参数,但是后边不写形参,map的第二个参数为一个迭代器,就是集合形式,会按顺序取其中的数据,作为参数传递给方法。
pool.close()
pool.join()
掌握这些,基本可以实现大量数据爬取。
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试