python编写网络爬虫

1,420次阅读
没有评论

 一,利用网络爬虫来下载韩寒博客文章,主要需要用到以下知识要点:

1,简要了解HTML标记语言,熟悉HTTP协议,发现HTML规律

2,熟悉urllib模块

3,熟悉python

在此我利用的是ie8的开发者工具,当然也可以使用比较出名的firebug,这是火狐的一个插件,十分好用。

中心思想:获取URL链接,然后利用文件的读写存到本地。

第一篇:下载单篇文章:

#coding:utf-8 import urllib str0 = ‘<a title=”《论电影的七个元素》——关于我对电影的一些看法以及《后会无期》的一些消息” href=”http://blog.sina.com.cn/s/blog_4701280b0102eo83.html” target=”_blank”>’ title = str0.find(r'<a title’) print title href = str0.find(r’href=’) print href  html = str0.find(r’.html’) print html url = str0[href+6:html+5] print url request = urllib.urlopen(url).read() #print request filename = url[-26:] open(filename,’w’).write(request) 

第二篇:下载第一页的总共50篇文章 #! /usr/bin/env python #coding=utf-8 import urllib url = [”]*50 i = 0 stt = ‘http://blog.sina.com.cn/s/articlelist_1191258123_0_1.html’ str1 = urllib.urlopen(stt).read() title = str1.find(r'<a title’) #print title href = str1.find(r’href=’,title) #print href  html = str1.find(r’.html’,href) #print html while title!=-1 and href != -1 and html != -1 and i < 50:     url[i] = str1[href + 6:html + 5]     print url[i]     title = str1.find(r'<a title’,html) #    print title     href = str1.find(r’href=’,title) #    print href      html = str1.find(r’.html’,href) #    print html #    url = str1[href + 6:html + 5]  #有这句的话是不可以的 #    print url     i += 1 else:     print ‘find end’      i = 0 while i < 50:     con = urllib.urlopen(url[i]).read()     open(url[i][-26:],’w+’).write(con)  #这里涉及到相对路径的问题,我的2.py就在文件夹hanhan下,所以直接写文件名。     print ‘downloading:’, url[i]     i += 1 else:     print ‘all find end’     #下面就是用爬虫下下来的文章。

python编写网络爬虫

 

(完)

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1494字。
新手QQ群:570568346,欢迎进群讨论 Python51学习