Python爬取网页数据
都说python爬网页数据方便，我们今天就来试试，python爬取数据到底有多方便
简介
爬取数据，基本都是通过网页的URL得到这个网页的源代码，根据源代码筛选出需要的信息
准备
IDE：PyCharm 库：requests、lxml
注： requests：获取网页源代码 lxml：得到网页源代码中的指定数据
搭建环境
这里的搭建环境，可不是搭建python的开发环境，这里的搭建环境是指，我们使用pycharm新建一个python项目，然后弄好requests和lxml 新建一个项目：
依赖库导入
由于我们使用的是pycharm，所以我们导入这两个库就会显的格外简单
import requests
这个时候，requests会报红线，这时候，我们将光标对准requests，按快捷键：alt + enter，pycharm会给出解决之道，这时候，选择install package requests，pycharm就会自动为我们安装了，我们只需要稍等片刻，这个库就安装好了。lxml的安装方式同理.
获取网页源代码
之前我就说过，requests可以很方便的让我们得到网页的源代码 网页就拿我的博客地址举例好了：https://coder-lida.github.io/
获取源码：
# 获取源码
html = requests.get("https://coder-lida.github.io/")
# 打印源码
print html.text
代码就是这么简单，这个html.text便是这个URL的源码
完整代码：
import requests
import lxml
html = requests.get("https://coder-lida.github.io/")
print (html.text)
打印：
获取指定数据
现在我们已经得到网页源码了，这时就需要用到lxml来来筛选出我们所需要的信息 这里我就以得到我博客列表为例,可以找到原网页通过F12查看XPath,如图
通过XPath的语法获得网页的内容。
查看第一篇文章标题
//*[@id="layout-cart"]/div[1]/a/@title
// 定位根节点 / 往下层寻找 提取文本内容：/text() 提取属性内容：/@xxxx
import requests
from lxml import etree
html = requests.get("https://coder-lida.github.io/")
#print (html.text)
etree_html = etree.HTML(html.text)
content = etree_html.xpath('//*[@id="layout-cart"]/div[1]/a/@title')
print(content)
查看所有文章标题
//*[@id="layout-cart"]/div/a/@title
代码：
import requests
from lxml import etree
html = requests.get("https://coder-lida.github.io/")
#print (html.text)
etree_html = etree.HTML(html.text)
content = etree_html.xpath('//*[@id="layout-cart"]/div/a/@title')
print(content)
输出：
[' springboot逆向工程 ', ' 自己实现一个简单版的HashMap ', ' 开发中常用的 个JavaScript 单行代码 ', ' shiro 加密登录 密码加盐处理 ', ' Spring Boot构建RESTful API与单元测试 ', ' 记一次jsoup的使用 ']
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2019-08-02，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读