【python数据抓取技术与实战】爬虫基础

第一个爬虫应用

该代码主要爬取电子工业出版社http://www.phei.com.cn首页的内容。

#引入requests模块
import requests

#定义get_content函数
def get_content(url):
    resp = requests.get(url)
    return resp.text

#"__name__ == '__main__'"的作用是被别的文件import时候，以下代码不会主动地执行
if __name__ == '__main__':    
    #定义url，值为要抓取的目标网站网址
    url="http://www.phei.com.cn"

    #调用函数返回赋值给content
    content = get_content(url)

    #打印输出content的前50个字符
    print("前50个字符为："，content[0:50])

    #打印输出content的长度
    content_len = len(content)
    print("内容长度为："，content_len)

    #判断内容长度是否大于40KB
    if content_len >=40 * 1024:
        print("内容的长度大于等于40KB")
    else:
        print("内容的长度小于40KB")

以下是输出内容：

前50个字符为： 

 
  
字典推导表达式
 
  
urls_d = {i: "www.xyz.com/?page={}".format(i) for i in range(1,11)}
 
  
以下是输出内容：
 
  
{1: 'www.xyz.com/?page=1', 2: 'www.xyz.com/?page=2', 3: 'www.xyz.com/?page=3', 4: 'www.xyz.com/?page=4', 5: 'www.xyz.com/?page=5', 6: 'www.xyz.com/?page=6', 7: 'www.xyz.com/?page=7', 8: 'www.xyz.com/?page=8', 9: 'www.xyz.com/?page=9', 10: 'www.xyz.com/?page=10'}
 
  
第二个爬虫应用
 
  
将字典、列表、元组、集合、循环、异常、文件操作融合在一起
 
  
import requests

urls_dict={
    '电子工业出版社':'http://www.phei.com.cn',
    '在线资源':'http://www.phei.com.cn/module/zygl/zxzyindex.jsp',
    'xyz':'www.phei.com.cn',
    '网上书店1':'http://www.phei.com.cn/module/goods/wssd_index.jsp',
    '网上书店2':'http://www.phei.com.cn/module/goods/wssd_index.jsp'
}

urls_lst=[
    ('电子工业出版社','http://www.phei.com.cn'),
    ('在线资源','http://www.phei.com.cn/module/zygl/zxzyindex.jsp'),
    ('xyz','www.phei.com.cn'),
    ('网上书店1','http://www.phei.com.cn/module/goods/wssd_index.jsp'),
    ('网上书店2','http://www.phei.com.cn/module/goods/wssd_index.jsp')
]

#利用字典抓取
crawled_urls_for_dict=set()
for ind,name in enumerate(urls_dict.keys()):
    name_url = urls_dict[name]
    if name_url in crawled_urls_for_dict:
        print(ind,name,'已经抓取过了')
    else:
        try:
            resp = requests.get(name_url)
        except Exception as e:
            print(ind,name,':',str(e)[0:50])
            continue
        content=resp.text
        crawled_urls_for_dict.add(name_url)
        with open('bydict_'+name+'.html','w') as f:
            f.write(content)
            print('抓取完成：{} {}，内容长度为{}'.format(ind,name,len(content)))

for u in crawled_urls_for_dict:
    print(u)

print('-' * 60)

#利用列表抓取
crawled_urls_for_list=set()
for ind,tup in enumerate(urls_lst):
    name=tup[0]
    name_url = tup[1]
    if name_url in crawled_urls_for_list:
        print(ind,name,'已经抓取过了')
    else:
        try:
            resp = requests.get(name_url)
        except Exception as e:
            print(ind,name,':',str(e)[0:50])
            continue
        content=resp.text
        crawled_urls_for_list.add(name_url)
        with open('bydict_'+name+'.html','w') as f:
            f.write(content)
            print('抓取完成：{} {}，内容长度为{}'.format(ind,name,len(content)))

for u in crawled_urls_for_list:
    print(u)
 
  
以下是输出内容：
 
  
抓取完成：0 在线资源，内容长度为49279
抓取完成：1 网上书店2，内容长度为130100
抓取完成：2 电子工业出版社，内容长度为102494
3 网上书店1 已经抓取过了
4 xyz : Invalid URL 'www.phei.com.cn': No schema supplied.
http://www.phei.com.cn/module/zygl/zxzyindex.jsp
http://www.phei.com.cn/module/goods/wssd_index.jsp
http://www.phei.com.cn