Python———爬蟲學(xué)習(xí)總結(jié)

首先這次學(xué)習(xí)的是利用寫Python腳本對(duì)網(wǎng)頁信息的獲取，并且把他保存到我們的數(shù)據(jù)庫里最后形成一個(gè)Excel表格

下載第三方模塊和源碼安裝MongoDB

剛開始我們需要做一些準(zhǔn)備：
先安裝第三方模塊

https://fastdl.mongodb.org/linux/mongodb-linux-x86_64-rhel70-3.2.5.tgz

思路如下：

1.訪問網(wǎng)站，拿到html網(wǎng)頁

headers獲取：

腳本1：

運(yùn)行前打開mongod :

             ./mongod &  

2.提取html里面我們想要的內(nèi)容

腳本2：

Long Jump 和 View Graph 是根據(jù)他們可以定位到我們想獲取的信息的標(biāo)簽上

這個(gè)腳本寫完不需要運(yùn)行，他的url是由第三個(gè)腳本導(dǎo)入的

3.把我們爬到的內(nèi)容存到數(shù)據(jù)庫中

腳本3：

運(yùn)行前都要檢查MongoD是否運(yùn)行，運(yùn)行后可進(jìn)入數(shù)據(jù)庫去看我們存入的信息
在MongoDB的bin下

./mongo

use iaaf

db.athletes.find()

4.轉(zhuǎn)成Excel表格

腳本4：

5.requests，pymongo，bs4的用法總結(jié)

requests是一個(gè)很實(shí)用的Python HTTP客戶端庫，編寫爬蟲和測(cè)試服務(wù)器響應(yīng)數(shù)據(jù)時(shí)經(jīng)常會(huì)用到?？梢哉f，Requests 完全滿足如今網(wǎng)絡(luò)的需求

1.作用：發(fā)送請(qǐng)求獲取響應(yīng)為什么使用requesst？
1)requests底層實(shí)現(xiàn)的是urllib2)requests在python2和python3中通用，方法完全一樣
3）requests簡(jiǎn)單易用（python特性）
4）requests能夠幫助我們解壓響應(yīng)內(nèi)容（自動(dòng)解壓完善請(qǐng)求頭，自動(dòng)獲取cookie）

2. 發(fā)送簡(jiǎn)單的get請(qǐng)求、獲取響應(yīng)response = requests.get(url)

pymongo是python操作 mongodb的工具包

bs4概念：

bs4庫是解析、遍歷、維護(hù)、"標(biāo)簽樹"的功能庫
通俗一點(diǎn)說就是：bs4庫把HTML源代碼重新進(jìn)行了格式化，
從而方便我們對(duì)其中的節(jié)點(diǎn)、標(biāo)簽、屬性等進(jìn)行操作
2.BS4的4中對(duì)象
①Tag對(duì)象：是html中的一個(gè)標(biāo)簽，用BeautifulSoup就能解析出來Tag的具體內(nèi)容，具體
的格式為‘soup.name‘,其中name是html下的標(biāo)簽。
②BeautifulSoup對(duì)象：整個(gè)html文本對(duì)象，可當(dāng)作Tag對(duì)象
③NavigableString對(duì)象：標(biāo)簽內(nèi)的文本對(duì)象
④Comment對(duì)象：是一個(gè)特殊的NavigableString對(duì)象，如果html標(biāo)簽內(nèi)存在注釋，那么它可以過濾掉注釋符號(hào)保留注釋文本
最常用的還是BeautifulSoup對(duì)象和Tag對(duì)象