Python简单爬虫记录

为了避免自己忘了Python的爬虫相关知识和流程，下面简单的记录一下爬虫的基本要求和编程问题！！

简单了解了一下，爬虫的方法很多，我简单的使用了已经做好的库requests来获取网页信息和BeautifulSoup来进行正则判定文本。这样也算是简单的入门了爬虫的基本实验，也能够从网页上爬取自己想要的信息！

 link = 'http://news.sina.com.cn/'
 res = requests.get(link)
 res.encoding = 'utf-8' #设置文本的编码格式是utf-8的文件格式
 soup = BeautifulSoup(res.text, 'html.parser') #通过res中的成员变量.text来得到HTML的文本res.text
 alink = soup.select('a') #选择class模块中的a来作为提取的目标的判定条件：<a href="http://mil.news.sina.com.cn/"><span class="titName ptn_05">军事</span></a>
 DATA = set() #创建一个set集合
 Cookies = ['军事', '教育', '科技', '文化'] #创建一个目标提取项目
 for link in alink:
     if link.text in Cookies: #alink中包含了所有的以a开头的class文本，link.text提取了其中一个link的文本内容
         Temp = 'The title of link '+link.text+' is :'+link['href'] #使用link['herf']来取herf对应的字典字符串，也就是对应的链接
         DATA.add(Temp) #在DATA数据中加入满足正则要求的文本文件
 for Info in DATA:
     print(Info)
 Check = input('Please input the content you want to see:')
 Str = ''
 for W in list(DATA):
     if W.find(Check) != -1:
         Str = Str + W + '\n'
 File = open('C:\\Users\\Administrator\Desktop\Python爬虫准备\demo\Info1.txt', 'w') #将取得的文件写入到文件夹当中
 File.writelines(Str)
 File.close()

 HTML = 'http://book.weibo.com/newcms/tp_p4c51t160.html'
 res = requests.get(HTML)
 res.encoding = 'utf-8'
 soup = BeautifulSoup(res.text, 'html.parser')
 title = soup.select('.S_title')
 print(title[0].text)
 content = soup.select('.S_explain')
 print(content[0].text)
 Count = soup.select('.book_vote')
 Bname = soup.select('.book_name')
 Aname = soup.select('.book_author')
 Blink = soup.select('a')
 Info = ''
 for i in range(len(Bname)):
     Info = Info + Bname[i].text + '-->' + Aname[i].text + '(' +\
            Count[i].text.replace(' ', '') + ')' + '--link:' +\
            Blink[i*4]['href']+'\n\n'
 print(Info)
 Data = title[0].text + '\n' + content[0].text + '\n' + Info
 F = open('C:\\Users\\Administrator\Desktop\Python爬虫准备\demo\Info2.txt', 'w')
 F.writelines(Data)
 F.close()

 Init_link = 'https://www.douyu.com/directory/all'
 Data = requests.get(Init_link)
 Data.encoding = 'utf-8'
 soup = BeautifulSoup(Data.text, 'html.parser')
 Res = soup.select('.mes')
 Count = soup.select('p')
 for i in Res:
     if i.text.find('英雄联盟') != -1:
         Str = i.text.replace(' ', '').replace('\n', '')
         print(Str)
         print(Str[len(Str)-3:len(Str)])
 print(len(Res))

对于爬虫，你只需要大概的懂得一些HTML网页的编程就可以了，主要的是要能分析网页的结构，和在每一步中得到的数据的数据形式，是集合set还是字典dict还是列表list或者是字符串，只有清楚的知道数据的类型，才能很好的处理和使用数据信息！

当然，我设想后面来爬取每天的天气信息，通过自己的一些硬件来完成出门前的自动提醒功能，也算是简单的嵌入式智能家居的设计了~