|
|
爬虫有时候写正则表达式会有假死现象
就是正则表达式一直在进行死循环查找
例如：https://social.msdn.microsoft.com/forums/azure/en-us/3f4390ac-11eb-4d67-b946-a73ffb51e4f3/netcpu100
所以一般在解析网页的时候可以用BeautifulSoup库来解决网页的正则表达式
网上对于BeautifulSoup的解释太复杂了
我就只是选取了我爬虫需要的部分来学习，其他的有需要再去学习，没需要就不浪费时间
最起码省心了很多
解释在注释里面都有了
一句一句的打印出来看就会明白的
1 #!/usr/bin/python3.4
2 # -*- coding: utf-8 -*-
3 import urllib.request
4 from bs4 import BeautifulSoup
5
6 if __name__ == '__main__':
7 url = "http://www.lenggirl.com/"
8 headers = {
9 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
10 'Accept': 'text/html;q=0.9,*/*;q=0.8',
11 'Accept-Charset': 'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
12 'Accept-Encoding': 'gzip',
13 'Connection': 'close',
14 'Referer': None
15 }
16 data = urllib.request.urlopen(url).read()
17 # ('UTF-8')('unicode_escape')('gbk','ignore')
18 data = data.decode('UTF-8', 'ignore')
19 # 初始化网页
20 soup = BeautifulSoup(data, "html.parser")
21 # 打印整个网页
22 html = soup.prettify()
23 # 打印<head>...</head>
24 head = soup.head
25 # 打印<body>...</body>
26 body = soup.body
27 # 打印第一个<p>...</p>
28 p = soup.p
29 # 打印p的内容
30 p_string = soup.p.string
31 # soup.p.contents[0]为Aug 22, 2016
32 # soup.p.contents为[' Aug 22, 2016\n ']
33 p_string = soup.p.contents[0]
34 # 将body里面的所有头打印出来
35 for child in soup.body.children:
36 #print(child)
37 pass
38 # 将所有的<a>...</a>和<p>...</p>打印出来
39 a_and_p = soup.find_all(["a","p"])
40 # 找到<a>...</a>下所有的网址
41 for myimg in soup.find_all('a'):
42 img_src = myimg.get('href')
43 #print(img_src)
44 # 找到<a>...</a>下类为class_='a'下面的<img>...</img>里面的src
45 for myimg in soup.find_all('a', class_='a'):
46 img_src = myimg.find('img').get('src')
47 # 网页所有信息
48 #print(html) |
|
|
QQ群⑧：
窥视卡
雷达卡
发表于 2017-7-1 20:23:02
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡