爬虫简单总结!-创新互联
执行Python程序
执行入门编程代码“Hello,World!”,用Python输出“Hello,World!”
创新互联公司服务项目包括肥东网站建设、肥东网站制作、肥东网页制作以及肥东网络营销策划等。多年来,我们专注于互联网行业,利用自身积累的技术优势、行业经验、深度合作伙伴关系等,向广大中小型企业、政府机构等提供互联网行业的解决方案,肥东网站推广取得了明显的社会效益与经济效益。目前,我们服务的客户以成都为中心已经辐射到肥东省份的部分城市,未来相信会继续扩大服务区域并继续获得客户的支持与信任!#!/usr/bin/env/python |
---|
prent ("Hello,World!") |
#!/usr/bin/python 是告诉操作系统执行这个脚本的时候,调用 /usr/bin 下的 python 解释器。这种用法是为了防止操作系统用户没有将 python 装在默认的 /usr/bin 路径里。当系统看到这一行的时候,首先会到 env 设置里查找 python 的安装路径,再调用对应路径下的解释器程序完成操作。
常用的第三方库
requests:是一个常用的用于http请求的模块,它使用python语言编写,
可以方便的对网页进行爬取,是学习python爬虫的较好的http
请求模块。
BeautifulSoup:是编写 python 爬虫常用库之一,主要用来解析 html
标签
import josn: 是一种轻量级的数据交换格式,易于人阅读和编写。
xwlt: 这是一个开发人员用来生成与微软Excel版本95到2003兼容的电子表格
文件的库。
mongo: 非关系型数据库
链接数据库:
./mongod *&
./mongo
pymongo
import os: OS: 模块简单的来说它是一个Python的系统编程的操作模块,
可以处理文件和目录这些我们日常手动需要做的操作。
import sys: sys模块包含了与Python解释器和它的环境有关的函数。
from pc1 import*: 导入模块,每次使用模块中的函数,直接使用函数就
可以了。注:因为已经知道该函数是那个模块中的了。
爬虫!
1. 访问网站,拿到html网页
2. 提取html中我们 想要的内容
3. 把我们 爬到的内容 存到 数据库
下面要从网页上爬下照片到我们的数据库中!
#!/usr/bin/env python
#encoding=utf-8
用来说明你的Python源程序文件用使用的编码。缺省情况下你的程序需要使用ascii码来写,但如果在其中写中文的话,python解释器一般会报错,但如果加上你所用的文件编码,python就会自动处理不再报错。
import requests
from bs4 import BeautifulSoup
import os
url = 'http://www.stallman.org/photos/rms-working/pages/{}.html'
导入我们需要的模块及网站!
def spider(url):
list_n = range(1,149)
base_url = 'http://www.stallman.org/photos/rms-working/'
通常情况下,浏览器会从当前文档的 URL 中提取相应的元素来填写相对 URL 中的空白。
使用
for i in list_n:
print i
url_req = url.format(str(i))
print url
建立一个循环,将我们要访问的网站页数作为变量(i),带入到我们的网站中
res = requests.get(url_req,timeout=5)
html = res.content
soup = BeautifulSoup(html, 'html.parser')
img = soup.find('img')
src = img.get('src')
访问网站, timeout=5 ,5S后没有反应是终止;
将网站内容带入到html中;
将html中的内容用bs4中的BeautifulSoupbianyi编译成超链接文本,方便我们查找需要的内容。(也可以不进行编译,不过接下来我们只能用正则表达式的方式查找。及其麻烦)并且带入到soup中;
在我们刚才得到的soup中查找图片链接(imp);
将找到的图片写入src中。
url_image = base_url + src.split('../')[1]
os.system('wget %s' % url_image)
将我们得到的src和之前输入的网址连接,就得到我们要爬的内容了(../ :返回上级,也就是url中../rms-working/一级);
然后我们就可以用os命令下载了!
奈斯!!!!!!!!
另外有需要云服务器可以了解下创新互联cdcxhl.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。
文章题目:爬虫简单总结!-创新互联
当前链接:http://scyanting.com/article/ceejjc.html