Python开发简单爬虫（笔记）

来源：互联网发布：北京美工培训班学费编辑：程序博客网时间：2024/04/26 05:29

1.爬虫指的是：一段自动抓取互联网信息的程序，其价值是互联网数据为我所用

爬虫调度端

URL管理器：管理待抓取URL集合和已抓取URL集合，原因是防止重复抓取、防止循环抓取

网页下载器：将互联网上URL对应的网页下载到本地的工具

urllib2 :Python官方基础模块

requests:第三方强大的插件

urllib2下载网页

方法1：最简洁的方法 urllib2.urlopen(url)

import urllib2

#直接请求

response=urllib2.urlopen('http://www.baidu.com');

#获取状态码，如果200表示获取成功

print respose.getcode();

#读取内容

code=response.read();

方法二：添加data,http header

import urllib2

#创建

Request=urllib2.Request(url);

#添加数据

request.add_data('a','1');

#添加http的header

request.add_header('User-Agent','Mozilla/5.0'）

#发送请求获取结果

response=urlli2.urlopen(request);

http://www.imooc.com/video/10683

网页解析器

1.正则表达式:模糊化匹配

2.html.parser：结构化解析

3.Beautiful Soup：结构化解析

4.lxml：结构化解析

这次使用Beautiful Soup

-Python第三方库，用于从HTML或XML中提取数据

-官网：http://www.crummy.com/software/BeautifulSoup/

2.爬取得到百度百科Python词条相关的1000个页面数据

0 0