用Python爬取網頁數(shù)據(jù)的方法

小編給大家分享一下用Python爬取網頁數(shù)據(jù)的方法，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！

使用Python爬取網頁數(shù)據(jù)的方法：

一、利用webbrowser.open()打開一個網站：

>>> import webbrowser 
>>> webbrowser.open('http://i.firefoxchina.cn/?from=worldindex') 
True

1.從sys.argv讀取命令行參數(shù)：打開一個新的文件編輯器窗口，輸入下面的代碼，將其保存為map.py。

2.讀取剪貼板內容：

3.調用webbrowser.open()函數(shù)打開外部瀏覽：

#! python3 
import webbrowser, sys, pyperclip 
if len(sys.argv) > 1: 
 mapAddress = ''.join(sys.argv[1:]) 
else: 
 mapAddress = pyperclip.paste() 
webbrowser.open('http://map.baidu.com/?newmap=1&ie=utf-8&s=s%26wd%3D' + mapAddress

二、用requests模塊從Web下載文件：requests模塊不是Python自帶的，通過命令行運行pip install request安裝。

>>> import requests 
>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex') #向get中傳入一個網址 
>>> type(res) #響應對象 
<class 'requests.models.Response'> 
>>> print(res.status_code) #響應碼 
200
>>> res.text #返回的文本

在下載文件的過程中，用raise_for_status()方法可以確保下載確實成功，然后再讓程序繼續(xù)做其他事情。

import requests 
res = requests.get('http://i.firefoxchina.cn/?from=worldindex') 
try: 
 res.raise_for_status() 
except Exception as exc: 
 print('There was a problem: %s' % (exc))

三、將下載的文件保存到本地：

>>> import requests 
>>> res = requests.get('http://tech.firefox.sina.com/17/0820/10/6DKQALVRW5JHGE1I.html##0-tsina-1-13074-397232819ff9a47a7b7e80a40613cfe1') 
>>> res.raise_for_status() 
>>> file = open('1.txt', 'wb') #以寫二進制模式打開文件，目的是保存文本中的“Unicode編碼” 
>>> for word in res.iter_content(100000): #<span class="fontstyle0"><span class="fontstyle0">iter_content()</span><span class="fontstyle1">方法在循環(huán)的每次迭代中返回一段</span><span class="fontstyle0">bytes</span><span class="fontstyle1">數(shù)據(jù)</span><span class="fontstyle1">類型的內容，你需要指定其包含的字節(jié)數(shù)</span></span> 
 file.write(word) 
  
  
16997
>>> file.close()

四、用BeautifulSoup模塊解析HTML：在命令行中用pip install beautifulsoup4安裝它。
1.bs4.BeautifulSoup()函數(shù)可以解析HTML網站鏈接requests.get()，也可以解析本地保存的HTML文件，直接open()一個本地HTML頁面。

>>> import requests, bs4 
>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex') 
>>> res.raise_for_status() 
>>> soup = bs4.BeautifulSoup(res.text) 
  
Warning (from warnings module): 
 File "C:\Users\King\AppData\Local\Programs\Python\Python36-32\lib\site-packages\beautifulsoup4-4.6.0-py3.6.egg\bs4\__init__.py", line 181
 markup_type=markup_type)) 
UserWarning: No parser was explicitly specified, so I'm using the best available HTML parser for this system ("html.parser"). This usually isn't a problem, but if you run this code on another system, or in a different virtual environment, it may use a different parser and behave differently. 
  
The code that caused this warning is on line 1 of the file <string>. To get rid of this warning, change code that looks like this: 
  
 BeautifulSoup(YOUR_MARKUP}) 
  
to this: 
  
 BeautifulSoup(YOUR_MARKUP, "html.parser") 
  
>>> soup = bs4.BeautifulSoup(res.text, 'html.parser') 
>>> type(soup) 
<class 'bs4.BeautifulSoup'>

我這里有錯誤提示，所以加了第二個參數(shù)。

>>> import bs4 
>>> html = open('C:\\Users\\King\\Desktop\\1.htm') 
>>> exampleSoup = bs4.BeautifulSoup(html) 
>>> exampleSoup = bs4.BeautifulSoup(html, 'html.parser') 
>>> type(exampleSoup) 
<class 'bs4.BeautifulSoup'>

2.用select()方法尋找元素：需傳入一個字符串作為CSS“選擇器”來取得Web頁面相應元素，例如：
soup.select('div')：所有名為<div>的元素；

soup.select('#author')：帶有id屬性為author的元素；

soup.select('.notice')：所有使用CSS class屬性名為notice的元素；

soup.select('div span')：所有在<div>元素之內的<span>元素；

soup.select('input[name]')：所有名為<input>并有一個name屬性，其值無所謂的元素；

soup.select('input[type="button"]')：所有名為<input>并有一個type屬性，其值為button的元素。

>>> import requests, bs4 
>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex') 
>>> res.raise_for_status() 
>>> soup = bs4.BeautifulSoup(res.text, 'html.parser') 
>>> author = soup.select('#author') 
>>> print(author) 
[] 
>>> type(author) 
<class 'list'> 
>>> link = soup.select('link ') 
>>> print(link) 
[<link href="css/mozMainStyle-min.css?v=20170705" rel="external nofollow" rel="external nofollow" rel="stylesheet" type="text/css"/>, <link href="" id=" rel="external nofollow" rel="external nofollow" rel="external nofollow" moz-skin" rel="stylesheet" type="text/css"/>, <link href="" id=" rel="external nofollow" rel="external nofollow" rel="external nofollow" moz-dir" rel="stylesheet" type="text/css"/>, <link href="" id=" rel="external nofollow" rel="external nofollow" rel="external nofollow" moz-ver" rel="stylesheet" type="text/css"/>] 
>>> type(link) 
<class 'list'> 
>>> len(link) 
4
>>> type(link[0]) 
<class 'bs4.element.Tag'> 
>>> link[0] 
<link href="css/mozMainStyle-min.css?v=20170705" rel="external nofollow" rel="external nofollow" rel="stylesheet" type="text/css"/> 
>>> link[0].attrs 
{'rel': ['stylesheet'], 'type': 'text/css', 'href': 'css/mozMainStyle-min.css?v=20170705'}

 3.通過元素的屬性獲取數(shù)據(jù)：接著上面的代碼寫。

>>> link[0].get('href') 
'css/mozMainStyle-min.css?v=20170705

看完了這篇文章，相信你對用Python爬取網頁數(shù)據(jù)的方法有了一定的了解，想了解更多相關知識，歡迎關注億速云行業(yè)資訊頻道，感謝各位的閱讀！