python如何做爬虫

整体思路流程

通过URL获取说要爬取的页面的响应信息（Requests库的<a href="https://www.gaodaima.com/tag/%e4%bd%bf%e7%94%a8" title="查看更多关于使用的文章" target="_blank">使用</a>）
通过<a href="https://www.gaodaima.com/tag/python" title="查看更多关于python的文章" target="_blank">python</a>中的<a href="https://www.gaodaima.com/tag/%e8%a7%a3%e6%9e%90" title="查看更多关于解析的文章" target="_blank">解析</a>库来对response进行结构化解析（BeautifulSoup库的使用）
通过对解析库的使用和对所需要的信息的定位从response中获取需要的数据（selecter和xpath的使用）
将数据组织成一定的格式进行保存（MongoDB的使用）
通过对数据库中的数据进行筛选和组织，进行数据可视化的初步展示（HighCharts库的使用）

www#gaodaima.com来源[email protected]搞@^&代*@码)网搞代码

简单代码演示

 准备工作

下载并安装所需要的python库，包括：

requests库：用于向指定url发起请求
BeautifulSoup库：用于解析返回的网页信息
lxml库：用于解析网页返回结果
pymongo库：用于实现python对MongoDB的操作

 对所需要的网页进行请求并解析返回的数据

对于想要做一个简单的爬虫而言，这一步其实很简单，主要是通过requests库来进行请求，然后对返回的数据进行一个解析，解析之后通过对于元素的定位和选择来获取所需要的数据元素，进而获取到数据的一个过程。

以上就是一个简单的网页爬虫的制作过程，我们可以通过定义不同的爬虫来实现爬取不同页面的信息，并通过程序的控制来实现一个自动化爬虫。

以下是一个爬虫的实例

import requests
from bs4 import BeautifulSoup

start_url = 'http://bj.58.com/sale.shtml'
url_host = 'http://bj.58.com'
#定义一个爬虫函数来获取二手市场页面中的全部大类页面的连接
def get_channel_urls(url):
    #使用Requests库来进行一次请求
    web_data = requests.get(url)
    #使用BeautifulSoup对获取到的页面进行解析
    soup = BeautifulSoup(web_data.text, 'lxml')
    #根据页面内的定位信息获取到全部大类所对应的连接
    urls = soup.select('ul.ym-submnu > li > b > a')
    #作这两行处理是因为有的标签有链接，但是却是空内容
    for link in urls:
        if link.text.isspace():
            continue
        else:
            page_url = url_host + link.get('href')
            print(page_url)

搞代码网，免费的搞代码网站，欢迎在线学习！

来源：搞代码网：原文地址：https://www.gaodaima.com

喜欢 (0)赏

[搞代码]

分享 (0)