網(wǎng)頁用python爬取后進(jìn)行解析的方法

小編給大家分享一下網(wǎng)頁用python爬取后進(jìn)行解析的方法，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

一、利用webbrowser.open()打開一個(gè)網(wǎng)站：

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

實(shí)例：使用腳本打開一個(gè)網(wǎng)頁。

所有Python程序的第一行都應(yīng)以#!python開頭，它告訴計(jì)算機(jī)想讓Python來執(zhí)行這個(gè)程序。（我沒帶這行試了試，也可以，可能這是一種規(guī)范吧）

1.從sys.argv讀取命令行參數(shù)：打開一個(gè)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(nèi)容：

3.調(diào)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

注：不清楚sys.argv用法的，請參考這里；不清楚.join()用法的，請參考這里。sys.argv是字符串的列表，所以將它傳遞給join()方法返回一個(gè)字符串。

好了，現(xiàn)在選中'天安門廣場'這幾個(gè)字并復(fù)制，然后到桌面雙擊你的程序。當(dāng)然你也可以在命令行找到你的程序，然后輸入地點(diǎn)。

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(yùn)行pip install request安裝。沒翻墻是很難安裝成功的，手動(dòng)安裝可以參考這里。

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

requests中查看網(wǎng)上下載的文件內(nèi)容的方法還有很多，如果以后的博客用的到，會(huì)做說明，在此不再一一介紹。在下載文件的過程中，用raise_for_status()方法可以確保下載確實(shí)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- 
397232819ff9a4 
7a7b7e80a40613cfe1') 
>>> res.raise_for_status() 
>>> file = open('1.txt', 'wb') #以寫二進(jìn)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(nèi)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(wǎng)站鏈接requests.get()，也可以解析本地保存的HTML文件，直接open()一個(gè)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(cuò)誤提示，所以加了第二個(gè)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(gè)字符串作為CSS“選擇器”來取得Web頁面相應(yīng)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(nèi)的<span>元素；

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

想查看更多的解析器，請參看這里。

>>> 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

以上是網(wǎng)頁用python爬取后進(jìn)行解析的方法的所有內(nèi)容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內(nèi)容對大家有所幫助，如果還想學(xué)習(xí)更多知識，歡迎關(guān)注億速云行業(yè)資訊頻道！