python 3爬虫類のクイック入門攻略
1756 ワード
コピーした内容
一、ネット爬虫類とは何ですか.
1、定義:Web爬虫類(Web Spider)は、Webクモとも呼ばれ、一定のルールに従って、Webサイトの情報を自動的にキャプチャするプログラムまたはスクリプトである.2、プロフィール:ネットクモはとてもイメージのある名前です.インターネットを蜘蛛の巣にたとえると、Spiderはネット上を這い回る蜘蛛だ.ウェブクモはウェブページのリンクアドレスを通じてウェブページを探して、ウェブサイトのあるページから、ウェブページの内容を読んで、ウェブページの中の他のリンクアドレスを見つけて、それからこれらのリンクアドレスを通じて次のウェブページを探して、このようにずっと循環して、このウェブサイトのすべてのウェブページを捕まえるまで.3、爬虫類プロセス:①urllibのrequestからUrlを開いてWeb htmlドキュメントを入手する-②ブラウザがWebソース分析要素ノードを開く-③Beautiful Soupまたは正規表現で所望のデータを抽出する-④ローカルディスクまたはデータベースにデータを格納する(キャプチャ、分析、記憶)
一、ネット爬虫類とは何ですか.
1、定義:Web爬虫類(Web Spider)は、Webクモとも呼ばれ、一定のルールに従って、Webサイトの情報を自動的にキャプチャするプログラムまたはスクリプトである.2、プロフィール:ネットクモはとてもイメージのある名前です.インターネットを蜘蛛の巣にたとえると、Spiderはネット上を這い回る蜘蛛だ.ウェブクモはウェブページのリンクアドレスを通じてウェブページを探して、ウェブサイトのあるページから、ウェブページの内容を読んで、ウェブページの中の他のリンクアドレスを見つけて、それからこれらのリンクアドレスを通じて次のウェブページを探して、このようにずっと循環して、このウェブサイトのすべてのウェブページを捕まえるまで.3、爬虫類プロセス:①urllibのrequestからUrlを開いてWeb htmlドキュメントを入手する-②ブラウザがWebソース分析要素ノードを開く-③Beautiful Soupまたは正規表現で所望のデータを抽出する-④ローカルディスクまたはデータベースにデータを格納する(キャプチャ、分析、記憶)
from urllib import request
from bs4 import BeautifulSoup #Beautiful Soup HTML XML Python
# ,
url="http://www.jianshu.com"
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
page = request.Request(url,headers=headers)
page_info = request.urlopen(page).read().decode('utf-8')# Url, HttpResponse ResposneBody
# BeautifulSoup , html.parser
soup = BeautifulSoup(page_info, 'html.parser')
# html
#print(soup.prettify())
titles = soup.find_all('a', 'title')# a class='title'
'''
# a string
for title in titles:
print(title.string)
print("http://www.jianshu.com" + title.get('href'))
'''
#open() ,with close()
with open(r"D:\Python\test\articles.txt","w") as file: # / articles txt
for title in titles:
file.write(title.string+'
')
file.write("http://www.jianshu.com" + title.get('href')+'
')