写爬虫都需要些什么呢,
A 要爬取的网址难度的大小 (选择谷歌对要爬取的网址源代码进行分析)
B 借用Python中的模块urllib与requests 对网址进行请求与访问
以requests为例:(requests模块的导入见:https://blog.51cto.com/13747953/2321389)
a 下载图片
import requests
ret=requests.get('http://×××w.xiaohuar.com/d/file/20180724/40d83a6709eca21137dcdd80ee28c31b.jpg')
print(ret,type(ret))
print(ret.status_code)
print(ret.content)
with open(r'E:\text1\爬虫\text_png\p1.png','wb') as f:
f.write(ret.content)
b 基本文字信息的获取
import requests
from urllib import request
# ret=requests.get('http://maoyan.com/board')
headers={
'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'
}
ret=request.Request('http://maoyan.com/board',headers=headers)
resp=request.urlopen(ret)
print(resp,type(resp))
print(resp.read().decode('utf-8'))
这里不用requests 模块是因为在请求的过程中返回了403的错误
猜想可能的原因是:网址的反爬虫机制发现了来自pycharm的请求;
所以可以用urllib(Python自带的模块)提供的request模块
结果如下:
C 如何从B-b中获取的文字数据中提取出自己想要的数据呢
a 分析数据的相同点
b 利用正则表达式与re模块
'(?:.*?)src="(?P.*?)"(?:.*?)(?P.*?) (?:.*?)'
'(?P.*?) ', re.S)
' # 匹配开始的标志
(?:.*?) # 匹配任意的字符,但用?取消了分组优先显示和贪婪匹配
src="(?P.*?)" # 要获取的数据优先显示,并?P<名字>命名了
(?:.*?)
(?P.*?)
(?:.*?)
''
(?P.*?)
'
,re.S # 声明 . 可以匹配任意的字符
)俩个实例:
1爬取简单的文字信息:https://blog.51cto.com/13747953/2321800
2爬取图片: https://blog.51cto.com/13747953/2321803
(程序猿很无聊多多指教交流)
另外有需要云服务器可以了解下创新互联scvps.cn,海内外云服务器15元起步,三天无理由+7*72小时售后在线,公司持有idc许可证,提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案,具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势,专为企业上云打造定制,能够满足用户丰富、多元化的应用场景需求。
分享题目:写简单的爬虫都需要什么-创新互联
文章起源:http://bjjierui.cn/article/johse.html