最精简的爬虫 –仅需4行代码(python)
刚刚整理了下爬虫系列,于是乎就开始了第一次的技术分享
今天,我们主要讲述的是思路,思路,思路。
相比起,直接贴代码,思路显的更为重要
当初,自己的坑,希望后面的人可以避免
*********
爬虫逻辑:
1,请求网页(利用python向web服务器进行请求)
2,通过匹配找到对应的目标(F12查看网页的结构)
3,下载对应目标
方法:(2种)
一种是百度上陈述的传统方法,通过urllib库来请求,并且urllib.request.urlretrieve 来对目标下载
另一种是使用简便,逻辑清晰,代码复杂度率低
方法一:
^这里我们主要介绍的 一种简便的,实用的,逻辑清晰,代码量少的
import requests #请求网页
from bs4 import BeautifulSoup #分析html的结构
我们主要利用到2个库:requests,bs4
库的用法,读者请自行百度,
tips:bs4库非内置库,需要另行安装:pip3 install beautifulsoup4
然后,我们再对目标进行写入:
with open('picfile','wb') as f: #这里的picfile为存放文件
f.write(pic) #这里pic为请求到的图片对象
ok,这样爬取到的pic就存到了picfile文件里了,这里介绍的为单目标存放,实际中都是多目标文件的,所以,接下来,我们将用到for循环进行处理:(请读者自行思考,如何加for循环)
爬虫代码如下:
import requests
with open('picfile','wb') as f:
f.write(pic.content)
这是最简单的入门例子,实际中,是多个内容一起爬取,下一步就是增加bs4库针对网站进行过滤,然后再加for循环进行批量存储,请读者进行思考(在本文的最下方,会附上一个完整版的demo)
——————————————————————————————————————————————————
方法二:
^现在,介绍百度上比较统一的一种方法:
(个人觉得,晦涩难懂,对于初学者来讲,并且代码冗余)
import urllib.request
import re #正则匹配目标文件
import os
import urllib
思路:利用urllib库进行网页的请求
然后,再利用正则表达式得出目标文件 (这里需要注意正则的编写,需要极度精确到位)
最后,urllib.request.urlretrieve 这个函数,将目标进行下载
这里,再对re库进行一个补充,这是一个常用的正则匹配
regex = re.compile()
file.search()
最后,来详细陈述下第一种方法的优势:
1,requests使用简便,是再urllib基础之上产生的一个页面请求库
2,采取bs4进行过滤,会使在过滤手段更加简洁易理解,避免复杂正则表达式所带来的困惑
3,采用的write写针对for循环进行多文件的。
https://zhuanlan.zhihu.com/p/33614014
import requests
import os,sys,time
import bs4
url = 'https://xkcd.com'
os.makedirs('xkcd',exist_ok=True)
#re = requests.get('https://xkcd.com')
#status = re.status_code()
while not url.endswith('#'):
print('downing the %s…' %url)
re = requests.get('https://xkcd.com')
re.raise_for_status()
soup = bs4.BeautifulSoup(re.text)
comicElen = soup.select('#comic img')
print(type(comicElen))
#print(comicElen)
if comicElen == []:
print('not find pic')
else:
# print('2')
comicUrl = comicElen[0].get('src')
comicUrl = 'https:' + comicUrl
print('downing image %s ' % (comicUrl))
re = requests.get(comicUrl)
re.raise_for_status()
#print('1')
imageFile = open(os.path.join('xkcd'+os.path.basename(comicUrl)),'wb')
for chunk in re.iter_content(100000):
imageFile.write(chunk)
imageFile.close()
prevlink = soup.select('a[rel="prev"]')[0]
url = 'https://xkcd.com' + prevlink.get('href')
print('done!')
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