用Python爬取网页数据的方法

小编给大家分享一下用Python爬取网页数据的方法，希望大家阅读完这篇文章后大所收获，下面让我们一起去探讨吧！

成都创新互联是一家集网站建设,和平企业网站建设,和平品牌网站建设,网站定制,和平网站建设报价,网络营销,网络优化,和平网站推广为一体的创新建站企业，帮助传统企业提升企业形象加强企业竞争力。可充分满足这一群体相比中小企业更为丰富、高端、多元的互联网需求。同时我们时刻保持专业、时尚、前沿，时刻以成就客户成长自我，坚持不断学习、思考、沉淀、净化自己，让我们为更多的企业打造出实用型网站。

使用Python爬取网页数据的方法：

一、利用webbrowser.open()打开一个网站：

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

1.从sys.argv读取命令行参数：打开一个新的文件编辑器窗口，输入下面的代码，将其保存为map.py。

2.读取剪贴板内容：

3.调用webbrowser.open()函数打开外部浏览：

#! 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模块从Web下载文件：requests模块不是Python自带的，通过命令行运行pip install request安装。

>>> import requests 
>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex') #向get中传入一个网址 
>>> type(res) #响应对象 
 
>>> print(res.status_code) #响应码 
200
>>> res.text #返回的文本

在下载文件的过程中，用raise_for_status()方法可以确保下载确实成功，然后再让程序继续做其他事情。

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、将下载的文件保存到本地：

>>> 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') #以写二进制模式打开文件，目的是保存文本中的“Unicode编码” 
>>> for word in res.iter_content(100000): #iter_content()方法在循环的每次迭代中返回一段bytes数据类型的内容，你需要指定其包含的字节数 
 file.write(word) 
  
  
16997
>>> file.close()

四、用BeautifulSoup模块解析HTML：在命令行中用pip install beautifulsoup4安装它。
1.bs4.BeautifulSoup()函数可以解析HTML网站链接requests.get()，也可以解析本地保存的HTML文件，直接open()一个本地HTML页面。

>>> 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 . 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) 

我这里有错误提示，所以加了第二个参数。

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

2.用select()方法寻找元素：需传入一个字符串作为CSS“选择器”来取得Web页面相应元素，例如：
soup.select('div')：所有名为

>>> 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) 
 
>>> link = soup.select('link ') 
>>> print(link) 
[, , , ] 
>>> type(link) 
 
>>> len(link) 
4
>>> type(link[0]) 
 
>>> link[0] 
 
>>> link[0].attrs 
{'rel': ['stylesheet'], 'type': 'text/css', 'href': 'css/mozMainStyle-min.css?v=20170705'}

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