【Python】学习笔记总结7（简单爬虫）

左手的ㄟ右手 2023-03-01 12:36 2阅读 0赞

### 文章目录 ###

*  七、Python简单爬虫
 *   *  1.重要知识与技能
     *  2.使用re表达式抓取网页文件
     *  3.使用requests抓取网页
     *  4.使用re正则表达式提取数据
     *  5.使用xPath工具提取数据
     *  6.使用BeautifulSoup工具

# 七、Python简单爬虫 #

## 1.重要知识与技能 ##

重要知识与技能:

1.  使用HTML与CSS制作网页文件
2.  使用re正则表达式抓取网页文件
3.  使用requests获取网站内容
4.  使用re正则表达式提取数据
5.  使用xPath工具提取数据
6.  使用BeautifulSoup工具

## 2.使用re表达式抓取网页文件 ##

import re
    myFile = open('Index.html','r',encoding='UTF-8')
    myContent = myFile.read()
    myFile.close()
    #myPatten = "<li>(.*)</li>"
    myPatten2 = "([a-zA-Z0-9_\.-]+@[a-zA-Z0-9_-]+(?:\.[a-zA-Z0-9_-]+)+)"
    mylist =  re.findall(myPatten2,myContent)
    print(mylist)

## 3.使用requests抓取网页 ##

import requests
    myURL = 'https://www.3dmgame.com'
    myContent = requests.get(myURL).content.decode('UTF-8')

## 4.使用re正则表达式提取数据 ##

def Get3DMNews_WithRE():
        ''' 得到3DM网站的新闻内容 :return: 获取的新闻内容 '''
        import requests
        import re
        myURL = 'https://www.3dmgame.com'
        myContent = requests.get(myURL).content.decode('UTF-8')
        myPartten = '<a href="(.*)" target="_blank" >(.*)</a>\n <span>(.*)</span>'
        myList = re.findall(myPartten,myContent)
        for item in myList :
            myNews = { }
            myNews['title'] = item[0]
            myNews['herf'] = item[1]
            myNews['time'] = item[2]
            print(myNews)
            pass
        pass

## 5.使用xPath工具提取数据 ##

def Get3DMNews_WithXPATH():
        ''' 得到3DM网站的新闻内容 :return: 获取的新闻内容 '''
        import requests
        from lxml import html
        myURL = 'https://www.3dmgame.com'
        myContent = requests.get(myURL).content.decode('UTF-8')
        etree = html.etree
        eTreeHtml = etree.HTML(myContent)
        myList = eTreeHtml.xpath("//li")
        for item in myList :
            myNews = { }
            myNews['title'] = item.xpath('./a')[0].text
            myNews['herf'] = item.xpath('./a/@href')[0]
            myNews['time'] = item.xpath('./span')[0].text
            print(myNews)
            pass
        pass

## 6.使用BeautifulSoup工具 ##

def Get3DMNews_WithBeautifulSoup():
        ''' 得到3DM网站的新闻内容 :return: 获取的新闻内容 '''
        import requests
        from bs4 import BeautifulSoup
        myURL = 'https://www.3dmgame.com'
        myContent = requests.get(myURL).content.decode('UTF-8')
        bsHtml = BeautifulSoup(myContent,'html5lib')
        myList = bsHtml.find_all('div')[10].find_all('div')[8].find_all('div')[91].find_all('li')
        for item in myList :
            myNews = { }
            myNews['title'] = item.find('a').get_text()
            myNews['herf'] = item.find('a').get('href')
            myNews['time'] = item.find('span').get_text()
            print(myNews)
            pass
        pass