python的BeautifulSoup实现抓取网页数据
2018-01-10 16:55
597 查看
1环境:pycharm,python3.4
2.源码解析
import requests
import re
from bs4 import BeautifulSoup
#通过requests.get获取整个网页的数据
def getHtmlText(url):
try:
r = requests.get(url)
# to cheack r.status_code is your expected
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return "craw failed"
#下图是网页中的内容:
#解析页面内容,通过find_all函数find所有的a标签的内容,返回一个list,
然后通过正则表达式匹配re.findall(r"[s][zh]\d{6}", href,得到href中的诸如sh201002或者sz201001这样的号码;将所有得号码赋给一个list保存
def getHtmlList(lst, list_url):
html = getHtmlText(list_url)
soup = BeautifulSoup(html, "html.parser")
a = soup.find_all('a')
for i in a:
try:
href = i.attrs['href']
lst.append(re.findall(r"[s][zh]\d{6}", href)[0])
except:
continue
print("lst:", lst)
#下面函数作用:通过上一个函数得到的号码,传给这个函数,拼成另一个url,获取这个url网页中的数据
抓取过程同理;不同之处是这里通过soup.find("div", attrs={'class': 'stock-bets'})即:find函数抓取所有div标签,属性是stock-bets的内容,),find只返回第一个符合条件的结果,所以soup.find()后面可以直接接.text或者get_text()来获得标签中的文本;find_all()得到的所有符合条件的结果和soup.select()一样都是列表list
def getHtmlInfo(lst, info_url, fpath):
for l in lst:
info_url = info_url + l + ".html"
html = getHtmlText(info_url)
try:
if html == "":
continue
soup = BeautifulSoup(html, "html.parser")
betsInfo = soup.find("div", attrs={'class': 'stock-bets'})
infoDict = {}
name = betsInfo.find_all(attrs={'class': 'bets-name'})[0]
infoDict.update({"name": name.text.split()[0]})
#进一步得到标签是dd和dt的所有数据,所以这里用的find_all,返回一个list,这里dd是key值,dt可看成value值,存入字典
keylist = betsInfo.find_all("dd")
keyvalue = betsInfo.find_all("dt")
for i in range(len(keylist)):
try:
key = keylist[i].text
val = keyvalue[i].text
dict2 = {'key': 'val'}
infoDict.update(dict2)
# infoDict[key] = val
except:
print("error")
#将我们要的数据写入文件
with open(fpath, 'a', encoding='utf-8') as f:
f.write(str(infoDict) + '\n')
except:
continue
#主函数,调用上面的抓取网页的函数即可
def main():
list_url = "http://quote.eastmoney.com/stocklist.html"
info_url = "https://gupiao.baidu.com/stock/"
output_file = './stockInfo.txt'
slist = []
getHtmlList(slist, list_url)
getHtmlInfo(slist, info_url, output_file)
main()
2.源码解析
import requests
import re
from bs4 import BeautifulSoup
#通过requests.get获取整个网页的数据
def getHtmlText(url):
try:
r = requests.get(url)
# to cheack r.status_code is your expected
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return "craw failed"
#下图是网页中的内容:
#解析页面内容,通过find_all函数find所有的a标签的内容,返回一个list,
然后通过正则表达式匹配re.findall(r"[s][zh]\d{6}", href,得到href中的诸如sh201002或者sz201001这样的号码;将所有得号码赋给一个list保存
def getHtmlList(lst, list_url):
html = getHtmlText(list_url)
soup = BeautifulSoup(html, "html.parser")
a = soup.find_all('a')
for i in a:
try:
href = i.attrs['href']
lst.append(re.findall(r"[s][zh]\d{6}", href)[0])
except:
continue
print("lst:", lst)
#下面函数作用:通过上一个函数得到的号码,传给这个函数,拼成另一个url,获取这个url网页中的数据
抓取过程同理;不同之处是这里通过soup.find("div", attrs={'class': 'stock-bets'})即:find函数抓取所有div标签,属性是stock-bets的内容,),find只返回第一个符合条件的结果,所以soup.find()后面可以直接接.text或者get_text()来获得标签中的文本;find_all()得到的所有符合条件的结果和soup.select()一样都是列表list
def getHtmlInfo(lst, info_url, fpath):
for l in lst:
info_url = info_url + l + ".html"
html = getHtmlText(info_url)
try:
if html == "":
continue
soup = BeautifulSoup(html, "html.parser")
betsInfo = soup.find("div", attrs={'class': 'stock-bets'})
infoDict = {}
name = betsInfo.find_all(attrs={'class': 'bets-name'})[0]
infoDict.update({"name": name.text.split()[0]})
#进一步得到标签是dd和dt的所有数据,所以这里用的find_all,返回一个list,这里dd是key值,dt可看成value值,存入字典
keylist = betsInfo.find_all("dd")
keyvalue = betsInfo.find_all("dt")
for i in range(len(keylist)):
try:
key = keylist[i].text
val = keyvalue[i].text
dict2 = {'key': 'val'}
infoDict.update(dict2)
# infoDict[key] = val
except:
print("error")
#将我们要的数据写入文件
with open(fpath, 'a', encoding='utf-8') as f:
f.write(str(infoDict) + '\n')
except:
continue
#主函数,调用上面的抓取网页的函数即可
def main():
list_url = "http://quote.eastmoney.com/stocklist.html"
info_url = "https://gupiao.baidu.com/stock/"
output_file = './stockInfo.txt'
slist = []
getHtmlList(slist, list_url)
getHtmlInfo(slist, info_url, output_file)
main()
相关文章推荐
- 用python进行分布式网页数据抓取(三)—— 编码实现
- python基于BeautifulSoup实现抓取网页指定内容的方法
- python基于BeautifulSoup实现抓取网页指定内容的方法
- python实现抓取网页上的内容并发送到邮箱
- python beautifulsoup多线程分析抓取网页
- python 实现页面数据抓取
- 用python进行分布式网页数据抓取(一)——设计
- 使用System.Text.RegularExpression中的API实现网页数据的抓取
- (转)用python实现抓取网页、模拟登陆
- python beautifulsoup 抓取网页正文内容
- python beautifulsoup多线程分析抓取网页
- Python实现抓取网页并且解析的实例
- 如何用Python,C#等语言去实现抓取静态网页+抓取动态网页+模拟登陆网站
- Python实现抓取网页并且解析的实例
- 【转】详解抓取网站,模拟登陆,抓取动态网页的原理和实现(Python,C#等)
- python beautifulsoup多线程分析抓取网页
- python实践 - 抓取网页中的图片和数据
- 使用System.Text.RegularExpression中的API实现网页数据的抓取
- 如何用Python,C#等语言去实现抓取静态网页+抓取动态网页+模拟登陆网站
- Python 网络爬虫5 ---- 第一次实现抓取数据并且存放到mysql数据库中