Python学习笔记(八)——从Web抓取信息

小实验——利用webbrowser模块的mapIt.py

>>> import webbrowser
>>> webbrowser.open('http://www.baidu.com')

弄清楚URL

http://news.baidu.com/ns?word=搜索内容
https://www.baidu.com/s?wd='+address 百度搜索

处理命令行参数

if len(sys.argv) > 1:
    #Get address from command line
    address = ' '.join(sys.argv[1:])

处理剪贴板内容

    address = pyperclip.paste()

加载浏览器

webbrowser.open('https://www.baidu.com/s?wd='+address)

用requests模块从Web下载文件

requests 是第三方文件

import requests

快速上手 — Requests 2.18.1 文档

用requests.get()函数下载一个网页

>>> import requests
>>> res = requests.get('http://blog.csdn.net/mq_go')
>>> type(res)
<class 'requests.models.Response'>
>>> res.status_code == requests.codes.ok
True
>>> len(res.text)
40492
>>> print(res.text[:500])

<html>
  <head>
    <meta http-equiv="content-type" content="text/html; charset=utf-8">
    <meta http-equiv="X-UA-Compatible" content="IE=Edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0, minimum-scale=1.0, maximum-scale=1.0, user-scalable=no">
    <meta name="apple-mobile-web-app-status-bar-style" content="black">
    <link rel="canonical" href="http://blog.csdn.net/mq_go"/> 
    <script type="text/javascript">
        console.log('version: phoeni

检查错误

res.raise_for_status()
res = requests.get(‘http://blog.csdn.net/mq_go‘)
res.raise_for_status()
res = requests.get(‘http://aosdfhaufa.com/‘)

将下载的文件保存到硬盘

>>> import requests
>>> re = requests.get('http://www.baidu.com')
>>> re.raise_for_status()
>>> playFile = open('baidu_html.txt','wb')
>>> for chunk in re.iter_content(100000):
    playFile.write(chunk)


2381
>>> playFile.close()

HTML

用BeautifulSoup模块解析HTML

从HTML中创建一个BeautifulSoup对象

使用载的网页创建

>>> import bs4,requests
>>> re = requests.get('http://blog.csdn.net/Mq_Go')
>>> re.status_code
200
>>> re.status_code == requests.codes.ok
True
>>> re.raise_for_status()
>>> shup = bs4.BeautifulSoup(re.text)
>>> type(shup)
<class 'bs4.BeautifulSoup'>

使用本地是html文件

>>> exampleFile = open('example.html')
>>> example = exampleFile.read()
>>> exampleShup = bs4.BeautifulSoup(example)
>>> type(exampleShup)
<class 'bs4.BeautifulSoup'>

用select()方法寻找答案

传递给select()方法的选择器 将匹配…
soup.select(‘div’) 所有名为
的元素
soup.select(‘#author’) 带有id 属性为author的元素
soup select(‘.notice’) 所有使用CSS class 属性名为notice 的元素
soup.select(‘div span’) 所有在
元素之内的元素
soup.select(‘div>span’) 所有直接在
元素之内的元素,中间没有其他元素
soup.select(input[name]’) 所有名为,并有一个name 属性,其值无所谓的元素
soup.select(‘input[type=”button”]’) 所有名为,并有一个type 属性,其值为button 的元素
>>> import bs4
>>> exampleFile = open('example.html')
>>> exampleShup = bs4.BeautifulSoup(exampleFile.read())
>>> elems = exampleShup.select('#author')
>>> type(elems)
<class 'list'>
>>> len(elems)
1
>>> type(elems[0])
<class 'bs4.element.Tag'>
>>> elems[0].getText()
'AI Sweigart'
>>> elems[0]
"author">AI Sweigart
>>> elems[0].attrs
{'id': 'author'}
>>> pElems = exampleShup.select('p')
>>> len(pElems)
3
>>> print(str(pElems[0])+'\n'+str(pElems[1])+'\n'+str(pElems[2]))
<p>Download my <strong>Pythonstrong> book from <a href="http://inventwitnpython.com">My websitea>.p>
<p class="slogan">Learn Python the easy way!p>
<p>By<span id="author">AI Sweigartspan>p>
>>> print(str(pElems[0].getText())+'\n'+str(pElems[1].getText())+'\n'+str(pElems[2].getText()))
Download my Python book from My website.
Learn Python the easy way!
ByAI Sweigart

通过元素的属性获取数据

>>> import bs4
>>> soup = bs4.BeautifulSoup(open('example.html'))
>>> soanElem = soup.select('span')[0]
>>> soanElem.get('id')
'author'
>>> str(soanElem)
'AI Sweigart'
>>> soanElem.attrs
{'id': 'author'}

小实验——“I’m Feeling Lucky” 查找

  • 从命令行参数中获取查询关键字。
  • 取得查询结果页面。
  • 为每个结果打开一个浏览器选项卡。
  • 这意味着代码需要完成以下工作:
  • 从sys.argv 中读取命令行参数。
  • 用requests 模块取得查询结果页面。
  • 找到每个查询结果的链接。
  • 调用webbrowser.open()华丽的打开Web 浏览器。
  • 打开一个新的文件编辑器窗口,并保存为lucky.py.
#! python3
#lucky.py - Opens several baidu search results.
#
#
#Author : qmeng
#MailTo : [email protected]
#QQ     : 1163306125
#Blog   : http://blog.csdn.net/Mq_Go/
#Create : 2018-02-08
#Version: 1.0

import requests,sys,bs4,webbrowser
print('Baidu...')
re = requests.get('https://www.sogou.com/web?query='+' '.join(sys.argv[1:]))
print('https://www.sogou.com/web?query='+' '.join(sys.argv[1:]))
re.raise_for_status()
#print(re.text[:5600])
#Retrieve top search result links.
soup = bs4.BeautifulSoup(re.text, "html.parser")
#Open a browser tab for each result.
linkElems = soup.select('.vrTitle a')

numopen = min(3,len(linkElems))
for i in range(numopen):
    print('已经为您打开'+linkElems[i].getText())
    print()
    webbrowser.open(linkElems[i].get('href'))

这里写图片描述

小实验——下载所有的XKCD漫画

#! python3
#downloadXKcd.py - downloads every single XKCD comic.
#
#
#Author : qmeng
#MailTo : [email protected]
#QQ     : 1163306125
#Blog   : http://blog.csdn.net/Mq_Go/
#Create : 2018-02-08
#Version: 1.0

import requests,os,bs4
url  = 'http://xkcd.com'
os.makedirs('xkcd',exist_ok=True)
k = 0
while not url.endswith('#') and k != 5:
    k = k + 1
    #download the page.
    print('Downloading page %s...'%(url))
    res = requests.get(url)
    res.raise_for_status()

    soup = bs4.BeautifulSoup(res.text,"html.parser")

    #find the URL of the comic image.
    comicElem = soup.select('#comic img')
    if comicElem == []:
        print('Could not find comic image.')
    else:
        comicUrl = comicElem[0].get('src')
        comicUrl = 'http://xkcd.com' + comicUrl[1:]
        print('Downloading image %s...'%(comicUrl))
        res = requests.get(comicUrl)
        res.raise_for_status()

        imgFile = open(os.path.join('xkcd',os.path.basename(comicUrl)),'wb')
        for chunk in res.iter_content(100000):
            imgFile.write(chunk)
        imgFile.close()

    prevLink  = soup.select('a[rel="prev"]')[0]
    url = 'http://xkcd.com' + prevLink.get('href')

你可能感兴趣的:(Python)