爬虫基础–python-python网络爬虫基础教程

402次阅读
没有评论
爬虫基础--python-python网络爬虫基础教程

一、准备工作

之前不理解爬虫的时候,感觉很强大,当你理解后会发现确实很强大,哈哈,开个小玩笑。言归正传,当你深入的了解,会发现爬虫其实就是解析网页内容,利用xpath、selector、re等语法抽取所需要的数据内容。所以说学习爬虫,首先要学会处理HTML的文本页面(包括抽取中间的文本内容,下载图片,抽取url等)。

以下列出学习几个处理web网页的Python模块及参考的博客:

1.HtmlParser

  • 参考​​​​

2.SGMLParser

  • 参考:​​http://pako.iteye.com/blog/592009​​

3.pyQuery

  • 官方文档:​​https://pythonhosted.org/pyquery/#quickstart​​
  • 实战参考:​​http://blog.itpub.net/22166274/viewspace-1183937/​​
  • 用法参考​​​​

4.BeautifulSoup

  • 官方文档:​​https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html​​

5.lxml

  • 参考:​​http://cuiqingcai.com/2621.html​​

在处理网页抽取数据的时候可以用以上5个模块,不过3、4、5是比较常用的,具体可根据自己的喜好选择用哪个,以上模块不用全部学习,多了也不一定都能记着,选一两个学就好。既然已经学会了数据的抽取接下来就是如何获取网页的数据内容了。

二、获取网页数据及处理

关于处于网页的,网上有大把的教程,我就不在闭门造轮子了。推荐一个详细的爬虫教程(基于urlib这个模块的)

以上的教程是基于urlib这个模块的,你还可以利用requests这个模块来获取网页数据(本人是比较喜欢用requests的),处理各种的请求(get,post,delete等)。

Requests学习参考:

  • ​​http://docs.python-requests.org/en/master/​​
  • ​​http://docs.python-requests.org/en/latest/api/?highlight=elapsed#requests.Response.elapsed​​

当学习完以上后基本就选小成了,以下推荐一个爬虫的小游戏可以练练手,一共四关,当过了第一关后,第二关才会出现,当然你也可以直接在网上搜索第二关的地址,​​点击尝试​​,这几关网上有答案,但一定要先自己写然后再去参考答案,这样才有效果,办法不止一种,相信自己,多尝试。

还可以参考这两个地址,主要讲爬虫的思路及一些实现,参考地址:

  • ​​http://www.zhihu.com/question/20899988​​
  • ​​http://www.zhihu.com/question/21358581​​

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

相关文章:

版权声明:Python教程2022-11-01发表,共计1187字。
新手QQ群:570568346,欢迎进群讨论 Python51学习