2019-08-05 《python爬虫开发:从入门到实战》

1.正则表达式

学习了简单的正则表达式使用。通过这个书发现,实际爬虫过程中,用正则表达式去匹配内容,并不是非常常用。

xpath更好用一点。

2.简单网页爬虫开发

2.1 用python获取网页源码

request库

2.2 多线程编码的例子


import re

import requests

import os

from multiprocessing.dummy import Pool

def get_toc(html):

    toc_url_list = []

    toc_block = re.findall('正文(.*?)</tbody>', html, re.S)[0] # re.S作用是忽略换行符

    toc_url = re.findall('href="(.*?)"', toc_block, re.S)

    for url in toc_url:

        toc_url_list.append(start_url + url)

    return toc_url_list

def get_article(html):

    chapter_name = re.search('size="4">(.*?)<', html, re.S).group(1) # group里面的1,代表第一个括号匹配的内容

    text_block = re.search('<p>(.*?)</p>', html, re.S).group(1)

    text_block = text_block.replace('<br />', ' ')

    return chapter_name, text_block

def save_file(chapter, article):

    os.makedirs('动物庄园', exist_ok=True)

    with open(os.path.join('动物庄园', chapter+'.txt'), 'w', encoding='utf-8') as f: # 文本文件操作

        f.write(article)

def chapter_get_save(chapter_url):

    html_chapter = requests.get(chapter_url).content.decode('GB2312')

    chapter, article = get_article(html_chapter)

    print("get"+chapter+"ok")

    save_file(chapter, article)

    print("save"+chapter+"ok")

# 主程序部分

start_url = 'http://www.kanunu8.com/book3/6879/'

print("begin:")

html_str = requests.get(start_url).content.decode('GB2312')

print("get start html ok")

chapter_url_list = get_toc(html_str)

print("get chapter url ok")

pool = Pool(5)

pool.map(chapter_get_save, chapter_url_list)

print("end!")

3.高性能内容解析

xpath和beautifulsoup4

from bs4 import BeautifulSoup
import requests

target_url = 'http://exercise.kingname.info/exercise_bs_1.html'

print('begin get html')
html_str = requests.get(target_url).content.decode('utf-8')
print('end get html')
soup = BeautifulSoup(html_str, 'html.parser')
info = soup.find(class_ = 'test')
print(info.string)

info2 = soup.find(class_ = 'useful')
all_content = info2.find_all('li')
for li in all_content:
    print(li.string)

4.数据库

mongoDB

redis

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,657评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,662评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,143评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,732评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,837评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,036评论 1 291
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,126评论 3 410
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,868评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,315评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,641评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,773评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,470评论 4 333
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,126评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,859评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,095评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,584评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,676评论 2 351

推荐阅读更多精彩内容