python爬虫

Posted 2020-10-24 yocichen

 

爬虫系列的第一篇文章，本篇帮助不大（只能教你利用requests库获取HTML），后续篇（二）会有案例讲解。

python版本：python 3.7.0b1

IDE：PyCharm 2016.3.2

涉及模块：requests  &  builtwith & whois

模块安装方法：Win+R 进入cmd, 进入文件夹Scripts

命令：pip install requests / pip install requests / pip install whois(如不能正确安装，请留言或自行百度解决)

如要在PyCharm中使用库，先添加一下(添加方法)。

---

话不多说，先上代码：

1 #coding : utf-8
2 import requests
3 import builtwith    #引入所需python库
4 print("开始爬取")
5 url = "https://www.wenjiwu.com/doc/uqzlni.html"     #爬取对象网址
6 r = requests.get(url)        #requests模块get方法
7 print (r.status_code)        #xxx.status_code方法，返回值若为200，则爬取成功
8 print (r.text)                  #xxx.text方法，得到URL对应HTML源码
9 print (builtwith.parse(url)) #builtwith模块将URL作为参数，返回该网站使用的技术

（url网址随意，baidu, imooc...都可以）

脚本运行结果：

可以看到，程序正常运行，返回值200，爬取成功，builtwith模块得到了示例网站 web-servers: Nginx(服务器类型，详细了解)，

使用了jQuery的javascript框架。但是碍于篇幅，其中HTML源码内容运行时注释掉了，不要惊讶！！！

 r.text 结果（部分）：

（内容无意中伤 Single Dog, Me too  #_# ）

---

 

补充：写成函数形式

 1 #coding : utf-8
 2 import requests
 3 import whois
 4 import builtwith
 5 
 6 def download(url, x):
 7     print ("downloading...")
 8     ans = requests.get(url)
 9     islink = ans.status_code        # \'\'\'通行码\'\'\'
10     user = whois.whois(url)        #\'\'\'网站所有者\'\'\'
11     pattern = builtwith.parse(url)  #\'\'\'网站类型\'\'\'
12     result = ans.text               #\'\'\'网站内容HTML\'\'\'
13     if islink == 200:
14         print ("successfully link!")
15     else:
16         print ("Sorry, it is no found!")
17     if x == \'y\':
18         print (\'owner: \', user)
19         print (\'pattern: \', pattern)
20         print (\'text: \', result)
21         return result
22     else:
23         return 000
24 url = "https://www.baidu.com"
25 download(url, \'y\')

 补充：把爬取的内容写入txt文件

1  # 写入*.txt文件
2 f = open("D:\\python3.7\\\\testf.txt", mode=\'a\', errors=\'ignore\')
3 for x in ans.text:
4      f.write(x)
5 f.close()

文件地址随意，errors=‘ignore’是为了防止诸如  ...\'\\xe7\'..., illegal multibyte sequence转码问题的出现。

---

 

转载请注明出处，欢迎留言讨论。

---