Python网络爬虫笔记(一):网页抓取方式和LXML…
2018-06-18 02:17:05来源:未知 阅读 ()
(一) 三种网页抓取方法
1、 正则表达式:
模块使用C语言编写,速度快,但是很脆弱,可能网页更新后就不能用了。
2、 Beautiful Soup
模块使用Python编写,速度慢。
安装:
pip install beautifulsoup4
3、 Lxml
模块使用C语言编写,即快速又健壮,通常应该是最好的选择。
(二) Lxml安装
pip install lxml
如果使用lxml的css选择器,还要安装下面的模块
pip install cssselect
(三) 使用lxml示例
1 import urllib.request as re 2 import lxml.html 3 #下载网页并返回HTML 4 def download(url,user_agent='Socrates',num=2): 5 print('下载:'+url) 6 #设置用户代理 7 headers = {'user_agent':user_agent} 8 request = re.Request(url,headers=headers) 9 try: 10 #下载网页 11 html = re.urlopen(request).read() 12 except re.URLError as e: 13 print('下载失败'+e.reason) 14 html=None 15 if num>0: 16 #遇到5XX错误时,递归调用自身重试下载,最多重复2次 17 if hasattr(e,'code') and 500<=e.code<600: 18 return download(url,num=num-1) 19 return html 20 html = download('https://tieba.baidu.com/p/5475267611') 21 #将HTML解析为统一的格式 22 tree = lxml.html.fromstring(html) 23 # img = tree.cssselect('img.BDE_Image') 24 #通过lxml的xpath获取src属性的值,返回一个列表 25 img = tree.xpath('//img[@class="BDE_Image"]/@src') 26 x= 0 27 #迭代列表img,将图片保存在当前目录下 28 for i in img: 29 re.urlretrieve(i,'%s.jpg'%x) 30 x += 1
标签:
版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有
- python3基础之“术语表(2)” 2019-08-13
- python3 之 字符串编码小结(Unicode、utf-8、gbk、gb2312等 2019-08-13
- Python3安装impala 2019-08-13
- 小白如何入门 Python 爬虫? 2019-08-13
- python_字符串方法 2019-08-13
IDC资讯: 主机资讯 注册资讯 托管资讯 vps资讯 网站建设
网站运营: 建站经验 策划盈利 搜索优化 网站推广 免费资源
网络编程: Asp.Net编程 Asp编程 Php编程 Xml编程 Access Mssql Mysql 其它
服务器技术: Web服务器 Ftp服务器 Mail服务器 Dns服务器 安全防护
软件技巧: 其它软件 Word Excel Powerpoint Ghost Vista QQ空间 QQ FlashGet 迅雷
网页制作: FrontPages Dreamweaver Javascript css photoshop fireworks Flash