您的位置：首页 > 新闻资讯 > 正文

实战案例：爬虫抓取网页数据

发布时间：2019-02-19 11:30:13 来源：互联网

我们经常会收集一些资料，但资料比较少的时候，大家会习惯性自己手动下载，但如果数量非常多，肯定是想找个工具来帮忙收集的。

比如说，使用一些采集的工具，但是由于这些工具都是设定好的，并不是很符合我们的需求，如果要求低些，就将就着用了。如果要求高的，还不如自己做个爬虫，想抓取什么资料就抓取哪些。

关键是要看你会不会写爬虫呢？其实非常简单的，小编这就为大家分享下爬虫抓取网页数据案例。

1.获取网页信息

示例.jpg

Urllib 模块提供了读取web页面数据的接口，我们可以像读取本地文件一样读取www和ftp上的数据。首先，我们定义了一个getHtml()函数:

urllib.urlopen()方法用于打开一个URL地址。

read()方法用于读取URL上的数据，向getHtml()函数传递一个网址，并把整个页面下载下来。执行程序就会把整个网页打印输出。

2.筛选页面数据

Python提供了非常强大的正则表达式，我们需要先要了解一点python正则表达式的知识才行。

假如我们百度贴吧找到了几张漂亮的壁纸，通过到前段查看工具。找到了图片的地址，如:src=”http://imgsrc.baidu.com/forum......jpg”pic_ext=”jpeg”

修改代码如下：

示例2.jpg

我们又创建了getImg()函数，用于在获取的整个页面中筛选需要的图片连接。re模块主要包含了正则表达式：

re.compile() 可以把正则表达式编译成一个正则表达式对象。

re.findall() 方法读取html 中包含 imgre(正则表达式)的数据。

运行脚本将得到整个页面中包含图片的URL地址。

3.数据保存

把筛选的图片地址通过for循环遍历并保存到本地，代码如下：

示例3.jpg

这里的核心是用到了urllib.urlretrieve()方法，直接将远程数据下载到本地。

通过一个for循环对获取的图片连接进行遍历，为了使图片的文件名看上去更规范，对其进行重命名，命名规则通过x变量加1。保存的位置默认为程序的存放目录。程序运行完成，将在目录下看到下载到本地的文件。

以上就是爬虫抓取网页数据案例分享，如今大数据时代，数据非常多，要收集到足够多的数据进行分析，得到得结果才有价值。在爬虫抓取数据中，大家记得要使用代理IP，这样可以让爬虫高效得爬取数据，更短时间出结果。找代理IP，黑洞代理非常不错，不光能使用到全国IP地址，而且还是高匿名的，效果更好。