001-urllib讀取網頁
正規表示式re
加()
,代表我們需要括號裡面的東西
不加()
,表示全部內容我們都需要
import re
mystr = """<span class \"search_yx_t j\">
共<em>5830</em>個職位滿足條件
<span>"""
restr = "<em>(\\d+)</em>"#d+表示和數字有關;():只要裡面的物件
regex = re.compile(restr, re, IGNORECASE)
mylist = regex.findall(mystr)
讀取網頁的三種方式
#py2
#enconding:utf-8
import urllib2
url = "http://www.baidu.com"#urlopen只能處理http,不可以處理https
def download1(url):
return urllib2.urlopen(url).read()#讀取全部網頁
def download2(url):
return urllib2.urlopen(url).readlines()#讀取每一行的網頁資料,然後壓入列表
def download3(url):
response = urllib2.orlopen(url)#網頁抽象為檔案
while True:
line = response.readline()#讀取一行
if not line:
break
python2 和python3的區別
編碼
一般抓取英文資料用python2,抓取帶中文的資料,就需要用python3
用python2列印中文是,需要在第一行encoding:utf-8
urllib2
獲取一個網頁資料,urllib在python2和python3中有不同的表示
- python2
urllib2.urlopen(url).read()
# urllib2只可以處理http,不可以處理https
- python3
urllib2.request(url).read()
python被網站遮蔽:referer
有時候我們請求伺服器的時候,伺服器可以知道通過請求頭中的referer
引數,知道是誰在請求它
伺服器如果發現不是瀏覽器在請求他,二是python在請求他。直接502.可以直接拒絕我們的請求。
selenium
我們需要這個東西來模擬瀏覽器。selenium可以操作我們的瀏覽器
抓取智聯招聘
基於selenium庫和selenium.webdriver
import selenium #測試框架
import selennium.webdriver #模擬瀏覽器
import re
mystr = """<span class \"search_yx_t j\">
共<em>5830</em>個職位滿足條件
<span>"""
restr = "<em>(\\d+)</em>"#d+表示和數字有關;():只要裡面的物件
regex = re.compile(restr, re. IGNORECASE)
mylist = regex.findall(pagesource)
def getnumberbyname(searchname):
url = "https://sou.zhaopin.com/?jl=613&kw=" + searchname + "&kt=3"
driver = selenium.webdriver.Firefox() #呼叫火狐瀏覽器
driver.get(url) #訪問連結
pagesource = driver.page_source #抓取網頁原始碼
driver.close()#關閉
return mylist[0]
# print getnumberbyname("python") 這是測試函式
pythonlist = ["python", "python 運維", "python 測試", "python 資料", "python web"]
for oystr in pythonlist:
print pystr, getnumberbyname(pystr)
抓取51job
import selenium #測試框架
import selennium.webdriver #模擬瀏覽器
import re
mystr = """<div class = "rt">
共67條職位
<\div>"""
def getnumberbyname(searchname): #可能這裡有一些混亂,手頭沒有python環境就沒測試,大致就先這樣吧
url="https://search.51job.com/list/240200,000000,0000,00,9,99,"+searchname +",2,1.htmllang=c&stype=&postchannel=0000&workyear=99&cotype=99°efrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&adius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&lin=&specialarea=00&from=&welfare=
driver = selenium.webdriver.Firefox() #呼叫火狐瀏覽器
driver.get(url) #訪問連結
pagesource = driver.page_source #抓取網頁原始碼
restr = """(\\d+)""" #先抓大,再抓小;尤其是空白字 符出現的時候
regex = re.compile(restr, re.IGNORECASE)
mylist = regex.findall(pagesource)
newstr = mylist[0].strip()
driver.close()#關閉
return mylist[0]
pythonlist = ["python", "python 運維", "python 測試", "python 資料", "python web"]
for oystr in pythonlist:
print pystr, getnumberbyname(pystr)
相關文章
- [轉]讀取webBrowser中網頁程式碼Web網頁
- 使用CInternetSession和CHttpFile讀取網頁內容SessionHTTP網頁
- 實現java讀取網頁內容並下載網頁中出現的圖片Java網頁
- 分頁按頁碼讀取redis資料Redis
- 爬取網頁文章網頁
- 網頁快取清理網頁快取
- webview獲取網頁titleWebView網頁
- 閱讀網頁-待清空網頁
- 爬蟲——網頁爬取方法和網頁解析方法爬蟲網頁
- ferret 爬取動態網頁網頁
- Puppeteer爬取網頁資料網頁
- Privatus for Mac網頁快取清理Mac網頁快取
- QWebView獲取網頁原始碼WebView網頁原始碼
- javascript獲取網頁的高度JavaScript網頁
- Vue專案全域性配置頁面快取,實現按需讀取快取Vue快取
- 關於python爬取網頁Python網頁
- js/jq 獲取網頁寬高JS網頁
- 高效獲取網頁原始碼COM網頁原始碼
- Python 3.2 獲取中文網頁Python網頁
- Delphi自動提交網頁表單和獲取框架網頁原始碼網頁框架原始碼
- node:爬蟲爬取網頁圖片爬蟲網頁
- python爬取網頁詳細教程Python網頁
- js如何獲取網頁的標題JS網頁
- js獲取網頁螢幕寬高JS網頁
- laravel利用Redis來實現網站快取讀取LaravelRedis網站快取
- 爬取網頁後的抓取資料_3種抓取網頁資料方法網頁
- Postman模擬瀏覽器網頁請求並獲取網頁資料Postman瀏覽器網頁
- 30頁PPT讀懂網際網路保險行業行業
- Python Flask+Pandas讀取excel顯示到html網頁: 沒有excle檔案提示PythonFlaskExcelHTML網頁
- C#爬取動態網頁上的資訊:B站主頁C#網頁
- python opencv讀取網路圖片PythonOpenCV
- python讀取網路上的csv文Python
- WKWebView 獲取網頁高度,圖片點選檢視,網頁連結點選WebView網頁
- .NET微信網頁開發之網頁授權獲取使用者基本資訊網頁
- IOS遍歷網頁獲取網頁中<img>標籤中的圖片urliOS網頁
- 如何使用python進行網頁爬取?Python網頁
- Chrome 獲取網頁顏色(文字、圖片)Chrome網頁
- 網頁快取清理工具:Privatus 6 for Mac網頁快取Mac