Python爬虫——网页数据抓取入门教学

简介

1. 网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者）：
   是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。其实通俗的讲就是通过程序去获取web页面上自己想要的数据，也就是自动抓取数据。
2. 爬虫可以做什么？
   你可以用爬虫爬图片，爬取视频等等你想要爬取的数据，只要你能通过浏览器访问的数据都可以通过爬虫获取。当你在浏览器中输入地址后，经过DNS服务器找到服务器主机，向服务器发送一个请求，服务器经过解析后发送给用户浏览器结果，包括html,js,css等文件内容，浏览器解析出来最后呈现给用户在浏览器上看到的结果
   所以用户看到的浏览器的结果就是由HTML代码构成的，我们爬虫就是为了获取这些内容，通过分析和过滤html代码，从中获取我们想要资源。

页面获取

1） 根据URL获取网页

• URL处理模块（库）
  import urllib.request as req
• 创建一个表示远程url的类文件对象
  req.urlopen(' ')
• 如同本地文件一样读取内容

import urllib.request as req
# 根据URL获取网页：
# http://www.hnpolice.com/
url = 'http://www.hnpolice.com/'
webpage = req.urlopen(url) # 按照类文件的方式打开网页
# 读取网页的所有数据,并转换为uft-8编码
data = webpage.read().decode('utf-8')
print(data)

2）网页数据存入文件

# 将读取的网页数据写入文件：
outfile = open("enrollnudt.txt", 'w') # 打开文件
outfile.write(data) # 将网页数据写入文件
outfile.close()

此时我们从网页中获取的数据已保存在我们指定的文件里，如下图

网页获取

从图中可以看出，网页的所有数据都存到了本地，但是我们需要的数据大部分都是文字或者数字信息，而代码对我们来说并没有用处。那么我们接下来要做的是清除没用的数据。（在这里我将获取警院新闻中的内容）

3）提取内容

1. 分析网页，寻找所需要的内容“警院新闻”

2. 内容范围

   • <li><a href="show.aspx?id=24797&cid=153" target="_blank"> ...</div>

3. 如何将表格中的内容都提取出来？

   • 导入re包 （正规表达式包）
     import re
re.findall (pattern, string [, flags] )
   • 以列表的形式返回string里匹配pattern的不重叠
     的子串
     • string会被从左到右依次扫描，返回的列表也是从左到右
       一次匹配到的

   • 如果pattern里含有组的话，那么会返回匹配到的
     组的列表

     
     
     正规表达式

4. 匹配使用正规表达式
   '<li><a href="show.aspx?id=24797&amp;cid=153" target="_blank">(.*?)</div>'

5. 数据清洗

• 数据前后清洗x.strip()
• 数据内部清洗x.replace('  ', '')

至此，所需的内容已经获取到本地，爬虫基本完成。