python自动化之web抓取
'''
从web抓取数据:
webbrowser:是python自带的,打开浏览器获取指定页面.
requests:从因特网上下载文件和网页.
Beautiful Soup:解析HTML,即网页编写的格式.
selenium:启动并控制一个Web浏览器.selenium能够填写表单,并模拟鼠标在这个浏览器中点击
'''
import webbrowser
webbrowser.open('http://inventwithpython.com/')
'''
利用requests模块从Web下载文件:
requests模块让你很容易从Web下载文件,不必担心一些复杂的问题,
诸如网络错误、连接问题和数据压缩
'''
###################################用requests.get()下载一个网页####################################
import requests
res=requests.get('http://www.gutenberg.org/cache/epub/1112/pg1112.txt')
type(res)
res.status_code=requests.codes.ok
'''
检查Response对象的status_code属性,等于requests.codes.ok时表示一切都好
(HTTP协议中"OK"的状态码是200,404状态码表示"没找到")
'''
len(res.text)
print(res.text[:250])
###################################检查下载错误####################################
import requests
res=requests.get('http://inventwithpython.com/page_that_does_not_exist')
res.raise_for_status() ####下载成功了,就什么也不做;下载出错,就抛出异常
##############################################
import requests
res=requests.get('http://inventwithpython.com/page_that_does_not_exist')
try:
res.raise_for_status()
except Exception as exc:
print('There was a problem:%s'%(exc))
###################################将下载的文件保存到硬盘####################################
import requests
res=requests.get('http://www.gutenberg.org/cache/epub/1112/pg1112.txt')
res.raise_for_status()
playFile=open(r'C:\Users\Administrator\Desktop\RomeoAndJuliet.txt','wb')
for chunk in res.iter_content(100000): ###每次循环迭代的字节数
print len(chunk)
playFile.write(chunk)
playFile.close()
###################################学习HTML的资源####################################
'''
HTML初学者指南:
http://htmldog.com/guides/html/beginner/
http://www.codecademy.com/tracks/web/
https://developer.mozilla.org/en-US/learn/html
'''
######HTML快速复习
<strong>Hello</strong>world! #####<strong>表明:标签包围的文本将使用粗体
Al''s free <a href="http://inventwithpython.com">Python books</a>
###################################查看网页的HTML源代码####################################
'''
在网页任意位置点击右键:选择View Source或View page source
查看该页的HTML文本
'''
'''
在Windows版的Chrome和IE中,开发者工具已经安装了,可以按下F12,出现;
再次按下F12,可以让开发者工具消失
'''
'''
不要用正则表达式来解析HTML:
尝试用正则表达式来捕捉HTML格式的变化,非常繁琐,容易出错
专门用于解析HTML的模块,诸如Beautiful Soup,将更不容易导致缺陷
http://stackoverflow.com/a/1732454/1893164/
'''
###################################使用开发者工具来寻找HTML元素####################################
'''
http://weather.gov/
邮政编码为94105
通过开发者工具,找到对应代码
'''
###################################从HTML创建一个BeautifulSoup对象####################################
import requests,bs4
res=requests.get('http://forecast.weather.gov/MapClick.php?lat=37.78833550000007&lon=-122.39552170000002#.WXazEmP9c_0')
res.raise_for_status()
noStarchSoup=bs4.BeautifulSoup(res.text)
type(noStarchSoup)
playFile=open(r'C:\Users\Administrator\Desktop\rest.html','wb')
for chunk in res.iter_content(100000): ###每次循环迭代的字节数
print len(chunk)
playFile.write(chunk)
playFile.close()
###################################用select()方法寻找元素####################################
'''
传递给select()方法的选择器 将匹配...
soup.select('div') 所有名为<div>的元素
soup.select('#author') 带有id属性为author的元素
soup.select('.notice') 所有使用CSS class属性名为notice的元素
soup.select('div span') 所有在<div>元素之内的<span>元素
soup.select('div > span') 所有直接在<div>元素之内的<span>元素,中间没有其他元素
soup.select('input[name]') 所有名为<input>,并有一个name属性,其值无所谓的元素
soup.select('input[type="button"]') 所有名为<input>,并有一个type属性,其值为button的元素
'''
<div id="current_conditions-summary" class="pull-left">
<p class="myforecast-current">NA</p>
<p class="myforecast-current-lrg">60°F</p>
<p class="myforecast-current-sm">16°C</p>
</div>
<div id="comic">
<img src="//imgs.xkcd.com/comics/barrel_cropped_(1).jpg" title="Don't we all." alt="Barrel - Part 1" />
</div>
import bs4
exampleFile=open(r'C:\Users\Administrator\Desktop\rest.html')
exampleSoup=bs4.BeautifulSoup(exampleFile.read())
elems=exampleSoup.select('#current_conditions-summary')
type(elems)
len(elems)
type(elems[0])
elems[0].getText()
>>> elems[0].getText()
u'\nNA\n59\xb0F\n15\xb0C\n'
>>> str(elems[0])
'<div class="pull-left" id="current_conditions-summary">\n<p class="myforecast-current">NA</p>\n<p class="myforecast-current-lrg">59\xc2\xb0F</p>\n<p class="myforecast-current-sm">15\xc2\xb0C</p>\n</div>'
>>> >>> elems[0].attrs
{'id': 'current_conditions-summary', 'class': ['pull-left']}
#########################
pElems=exampleSoup.select('p')
>>> pElems[1]
<p>Your local forecast office is</p>
>>> pElems[2]
<p>
Severe thunderstorms will be possible over portions of the upper Midwest and Great Lakes Tuesday, Wednesday, and Thursday. Damaging winds, large hail, and heavy rainfall possible. Over the Desert Southwest and portions of the Rockies, Monsoonal moisture will lead to locally heavy rainfall and the threat for flash flooding into midweek.
<a href="http://www.wpc.ncep.noaa.gov/discussions/hpcdiscussions.php?disc=pmdspd" target="_blank">Read More ></a>
</p>
>>> pElems[1].getText()
u'Your local forecast office is'
###################################通过元素的属性获取数据####################################
import bs4
soup=bs4.BeautifulSoup(open(r'C:\Users\Administrator\Desktop\rest.html'))
spanElem=soup.select('span')[0]
>>> str(spanElem)
'<span class="sr-only">Toggle navigation</span>'
>>> spanElem.get('class')
['sr-only']
>>> spanElem.attrs
{'class': ['sr-only']}
>>> spanElem.get('id')==None
True
###################################用selenium模块控制浏览器####################################
###################################启动selenium控制的浏览器####################################
#####下载:http://getfirefox.com/
from selenium import webdriver
browser=webdriver.Firefox()
type(browser)
browser.get('http://inventwithpython.com')
###################################maplt.py####################################
import webbrowser,sys,pyperclip
if len(sys.argv)>1:
###Get address from command line:
address=' '.join(sys.argv[1:])
else:
address=pyperclip.paste()
webbrowser.open('https://www.google.com/maps/place/'+address)
python自动化之web抓取的更多相关文章
- 如何用 Python 实现 Web 抓取?
[编者按]本文作者为 Blog Bowl 联合创始人 Shaumik Daityari,主要介绍 Web 抓取技术的基本实现原理和方法.文章系国内 ITOM 管理平台 OneAPM 编译呈现,以下为正 ...
- python Web抓取(一)[没写完]
需要的模块: python web抓取通过: webbrowser:是python自带的,打开浏览器获取指定页面 requests:从因特网上下载文件和网页 Beautiful Soup:解析HTML ...
- python&php数据抓取、爬虫分析与中介,有网址案例
近期在做一个网络爬虫程序.后台使用python不定时去抓取数据.前台使用php进行展示 站点是:http://se.dianfenxiang.com
- Web UI 自动化单个xpath抓取插件详解
原文地址http://blog.csdn.net/kaka1121/article/details/51878346 单个控件获取 需求: 右键到某个控件上,就能获取到至多三个可以唯一定位该元素的相对 ...
- python 手机App数据抓取实战二抖音用户的抓取
前言 什么?你问我国庆七天假期干了什么?说出来你可能不信,我爬取了cxk坤坤的抖音粉丝数据,我也不知道我为什么这么无聊. 本文主要记录如何使用appium自动化工具实现抖音App模拟滑动,然后分析数据 ...
- 基于python编写的天气抓取程序
以前一直使用中国天气网的天气预报组件都挺好,可是自从他们升级组件后数据加载变得非常不稳定,因为JS的阻塞常常导致网站打开速度很慢.为了解决这个问题决定现学现用python编写一个抓取程序,每天定时抓取 ...
- python爬虫 前程无忧网页抓取
Python爬虫视频教程零基础小白到scrapy爬虫高手-轻松入门 https://item.taobao.com/item.htm?spm=a1z38n.10677092.0.0.482434a6E ...
- python的post请求抓取数据
python通过get方式,post方式发送http请求和接收http响应-urllib urllib2 python通过get方式,post方式发送http请求和接收http响应-- import ...
- Python爬虫之一 PySpider 抓取淘宝MM的个人信息和图片
ySpider 是一个非常方便并且功能强大的爬虫框架,支持多线程爬取.JS动态解析,提供了可操作界面.出错重试.定时爬取等等的功能,使用非常人性化. 本篇通过做一个PySpider 项目,来理解 Py ...
随机推荐
- jQuery中turn.js(翻页效果)学习笔记
Turn.js是一个内置的jQuery翻页插件1 html中引入<script type="text/javascript" src="js/turn.js&quo ...
- C++ 单例模式总结与剖析
目录 C++ 单例模式总结与剖析 一.什么是单例 二.C++单例的实现 2.1 基础要点 2.2 C++ 实现单例的几种方式 2.3 单例的模板 三.何时应该使用或者不使用单例 反对单例的理由 参考文 ...
- Windows ,获取硬盘物理序列号(VC++)
#include <windows.h> BOOL GetHDID(PCHAR pIDBufer) { HANDLE hDevice=NULL; hDevice=::Crea ...
- ofo容器pass架构分享
一.我们先要了解一下,为什么企业需要一个paas平台?或者可以说paas到底能做什么? 1.1 我们先来了解一下paas到底是什么? PaaS是Platform-as-a-Service的缩写,意思是 ...
- python之multiprocessing创建进程
python的multiprocessing模块是用来创建多进程的,下面对multiprocessing总结一下使用记录. multiprocessing创建多进程在windows和linux系统下的 ...
- iframe子页面position的fixed
前言: 首先说一说我昨天天的苦逼经历.中午吃饭时一同事跟我说,他做的项目嵌套iframe后,子页面的position设置fixed失效了. 经过反复询问,得知他用了两层iframe,再加上最外的父页面 ...
- “Hello World!”团队第六周第七次会议
博客内容: 一.会议时间 二.会议地点 三.会议成员 四.会议内容 五.todo list 六.会议照片 七.燃尽图 八.checkout&push代码 一.会议时间 2017年11月23日 ...
- Navicat将oracle中数据复制到mysql
1,首先两个数据库都要处于连接状态 2,工具 -- 数据传输 3,选择来源数据库以及要传输的表和目标数据库 4,点击开始 PS:遇到一个问题:[Err] [Dtf] 1426 - Too-big pr ...
- 树莓派 Raspberry-Pi 折腾系列:系统安装及一些必要的配置
入手树莓派将近一个月了,很折腾,许多资源不好找,也很乱.简单整理一下自己用到的东西,方便以后自己或别人继续折腾. 0. 操作系统下载 树莓派官方 Raspbian 系统下载:http://www.ra ...
- Sprint10
进展:设置事件提醒部分已经完成,接下来是实现完成后在添加主界面显示已添加的事件及时间,并可设置可用与不可用.