1、編寫爬蟲思路：

確定下載目標(biāo)，找到網(wǎng)頁，找到網(wǎng)頁中需要的內(nèi)容。對數(shù)據(jù)進(jìn)行處理。保存數(shù)據(jù)。

2、知識點(diǎn)說明：

1）確定網(wǎng)絡(luò)中需要的信息，打開網(wǎng)頁后使用F12打開開發(fā)者模式。

在Network中可以看到很多信息，我們在頁面上看到的文字信息都保存在一個html文件中。點(diǎn)擊文件后可以看到response，文字信息都包含在response中。

對于需要輸入的信息，可以使用ctrl+f，進(jìn)行搜索。查看信息前后包含哪些特定字段段啟。

對于超鏈接的提取，可以使用最左邊的箭頭點(diǎn)擊超鏈接，這時Elements會打開升虧有該條超鏈接的信息，從中判斷需要吵燃神提取的信息。從下載小說來看，在目錄頁提取出小說的鏈接和章節(jié)名。

2）注意編碼格式

輸入字符集一定要設(shè)置成utf-8。頁面大多為GBK字符集。不設(shè)置會亂碼。

Python提取網(wǎng)頁鏈接和標(biāo)題

方法1：BS版

簡單寫了個，只是爬鏈接的，加上標(biāo)題老報錯，暫時沒看出來原因，先給你粘上來吧（方法2無彎沖御問題）

from

BeautifulSoup

import

BeautifulSoup

import

urllib2

import

re

def

grabHref(url,localfile):

html

=

urllib2.urlopen(url).read()

html

=

unicode(html,'gb2312','ignore').encode('utf-8'判州,'ignore')

content

=

BeautifulSoup(html).findAll('a')

myfile

=

open(localfile,'w')

pat

=

re.compile(r'href="([^"]*)"')

pat2

=

re.compile(r'/tools/')

for

item

in

content:

h

=

pat.search(str(item))

href

=

h.group(1)

if

pat2.search(href):

#

s

=

BeautifulSoup(item)

#

myfile.write(s.a.string)

#

myfile.write('\r\n')

myfile.write(href)

myfile.write('\r\n')

#

print

s.a.sting

print

href

myfile.close()

def

main():

url

=

""

localfile

=

'aHref.txt'

grabHref(url,localfile)

if

__name__=="__main__":

main()

方法2：Re版

由于方法1有問題，埋巖只能獲取到下載頁面鏈接，所以換用Re解決，代碼如下：

import

urllib2

import

re

url

=

''

find_re

=

re.compile(r'href="([^"]*)".+?(.+?)/a')

pat2

=

re.compile(r'/tools/')

html

=

urllib2.urlopen(url).read()

html

=

unicode(html,'utf-8','ignore').encode('gb2312','ignore')

myfile

=

open('aHref.txt','w')

for

x

in

find_re.findall(html):

if

pat2.search(str(x)):

print

myfile,x[0],x[1]

myfile.close()

print

'Done!'

誰用過python中的re來抓取網(wǎng)頁，能否給個例子，謝謝

這是虛橋我寫的一個非常簡單的抓取頁面鎮(zhèn)譽(yù)含的腳本，作用為獲得指定URL的所有鏈接地址并獲取所有鏈接的標(biāo)題。

===========geturls.py================

#coding:utf-8

import urllib

import urlparse

import re

import socket

import threading

#定義鏈接正則御笑

urlre = re.compile(r"href=[\"']?([^ \"']+)")

titlere = re.compile(r"title(.*?)/title",re.I)

#設(shè)置超時時間為10秒

timeout = 10

socket.setdefaulttimeout(timeout)

#定義最高線程數(shù)

max = 10

#定義當(dāng)前線程數(shù)

current = 0

def gettitle(url):

global current

try:

content = urllib.urlopen(url).read()

except:

current -= 1

return

if titlere.search(content):

title = titlere.search(content).group(1)

try:

title = title.decode('gbk').encode('utf-8')

except:

title = title

else:

title = "無標(biāo)題"

print "%s: %s" % (url,title)

current -= 1

return

def geturls(url):

global current,max

ts = []

content = urllib.urlopen(url)

#使用set去重

result = set()

for eachline in content:

if urlre.findall(eachline):

temp = urlre.findall(eachline)

for x in temp:

#如果為站內(nèi)鏈接，前面加上url

if not x.startswith("http:"):

x = urlparse.urljoin(url,x)

#不記錄js和css文件

if not x.endswith(".js") and not x.endswith(".css"):

result.add(x)

threads = []

for url in result:

t = threading.Thread(target=gettitle,args=(url,))

threads.append(t)

i = 0

while i len(threads):

if current max:

threads[i].start()

i += 1

current += 1

else:

pass

geturls("")

使用正則表達(dá)式（re）只能做到一些比較簡單或者機(jī)械的功能，如果需要更強(qiáng)大的網(wǎng)頁分析功能，請嘗試一下beautiful soup或者pyquery,希望能幫到你

如何用python抓取這個網(wǎng)頁的內(nèi)容？

Python實現(xiàn)常規(guī)的靜態(tài)網(wǎng)頁抓取時，往往是用urllib2來獲取整個HTML頁面，然后從HTML文件中逐字查找對應(yīng)的關(guān)鍵字。如下所示：

復(fù)制代碼代碼如歷罩下:

import urllib2

url="網(wǎng)址"

up=urllib2.urlopen(url)#打開目標(biāo)頁面，存入變量up

cont=up.read()#從up中讀入該HTML文件

key1='肢握鬧a href="http'#設(shè)置關(guān)鍵字1

key2="target"#設(shè)置關(guān)鍵字2

pa=cont.find(key1)#找出關(guān)鍵字1的位置

pt=cont.find(key2,pa)#找出關(guān)鍵字2的位置(從字1后皮裂面開始查找)

urlx=cont[pa:pt]#得到關(guān)鍵字1與關(guān)鍵字2之間的內(nèi)容(即想要的數(shù)據(jù))

print urlx

python如何正確抓取網(wǎng)頁標(biāo)題

import beautifulsoup

import urllib2

def main():

userMainUrl = "你要橘豎抓取的地毀伍扮址"

req = urllib2.Request(userMainUrl)

resp = urllib2.urlopen(req)

respHtml = resp.read()

foundLabel = respHtml.findAll("label")

finalL =foundLabel.string

print "纖灶biaoti=",finalL

if __name__=="__main__":

main();