網頁用python爬取後如何解析

一、利用webbrowser.open()開啟一個網站：

>>> import webbrowser 
>>> webbrowser.open('') 
True

例項：使用指令碼開啟一個網頁。

所有Python程式的第一行都應以#!python開頭，它告訴計算機想讓Python來執行這個程式。（我沒帶這行試了試，也可以，可能這是一種規範吧）

1.從sys.argv讀取命令列引數：開啟一個新的檔案編輯器視窗，輸入下面的程式碼，將其儲存為map.py。

2.讀取剪貼簿內容：

3.呼叫webbrowser.open()函式開啟外部瀏覽：

#! python3 
import webbrowser, sys, pyperclip 
if len(sys.argv) > 1: 
 mapAddress = ''.join(sys.argv[1:]) 
else: 
 mapAddress = pyperclip.paste() 
webbrowser.open('%26wd%3D' + mapAddress

注：不清楚sys.argv用法的，請參考這裡；不清楚.join()用法的，請參考這裡。sys.argv是字串的列表，所以將它傳遞給join()方法返回一個字串。

好了，現在選中'天安門廣場'這幾個字並複製，然後到桌面雙擊你的程式。當然你也可以在命令列找到你的程式，然後輸入地點。

相關推薦：《》

二、用requests模組從Web下載檔案：

requests模組不是Python自帶的，透過命令列執行pip install request安裝。沒翻牆是很難安裝成功的，手動安裝可以參考這裡。

>>> import requests 
>>> res = requests.get('') #向get中傳入一個網址 
>>> type(res) #響應物件 
<class 'requests.models.Response'> 
>>> print(res.status_code) #響應碼 
200
>>> res.text #返回的文字

requests中檢視網上下載的檔案內容的方法還有很多，如果以後的部落格用的到，會做說明，在此不再一一介紹。在下載檔案的過程中，用raise_for_status()方法可以確保下載確實成功，然後再讓程式繼續做其他事情。

import requests 
res = requests.get('') 
try: 
 res.raise_for_status() 
except Exception as exc: 
 print('There was a problem: %s' % (exc))

三、將下載的檔案儲存到本地：

>>> import requests 
>>> res = requests.get(' 
397232819ff9a4 
7a7b7e80a40613cfe1') 
>>> res.raise_for_status() 
>>> file = open('1.txt', 'wb') #以寫二進位制模式開啟檔案，目的是儲存文字中的“Unicode編碼” 
>>> for word in res.iter_content(100000): #<span class="fontstyle0"><span class="fontstyle0">iter_content()
</span>
<span class="fontstyle1">方法在迴圈的每次迭代中返回一段</span><span class="fontstyle0">bytes</span><span class=
"fontstyle1">資料</span><span class="fontstyle1">型別的內容，你需要指定其包含的位元組數</span></span> 
 file.write(word) 
    
16997
>>> file.close()

四、用BeautifulSoup模組解析HTML：在命令列中用pip install beautifulsoup4安裝它。

1.bs4.BeautifulSoup()函式可以解析HTML網站連結requests.get()，也可以解析本地儲存的HTML檔案，直接open()一個本地HTML頁面。

>>> import requests, bs4 
>>> res = requests.get('') 
>>> res.raise_for_status() 
>>> soup = bs4.BeautifulSoup(res.text) 
  
Warning (from warnings module): 
 File "C:UsersKingAppDataLocalProgramsPythonPython36-32libsite-packagesbeautifulsoup4-4.6.0-py3.6.egg
 bs4__init__.py", line 181
 markup_type=markup_type)) 
UserWarning: No parser was explicitly specified, so I'm using the best available HTML parser for this 
system 
("html.parser"). This usually isn't a problem, but if you run this code on another system, or in a 
different virtual 
environment, it may use a different parser and behave differently. 
  
The code that caused this warning is on line 1 of the file <string>. To get rid of this warning, 
change code that 
looks like this:   
 BeautifulSoup(YOUR_MARKUP})   
to this:   
 BeautifulSoup(YOUR_MARKUP, "html.parser") 
  
>>> soup = bs4.BeautifulSoup(res.text, 'html.parser') 
>>> type(soup) 
<class 'bs4.BeautifulSoup'>

我這裡有錯誤提示，所以加了第二個引數。

>>> import bs4 
>>> html = open('C:\Users\King\Desktop\1.htm') 
>>> exampleSoup = bs4.BeautifulSoup(html) 
>>> exampleSoup = bs4.BeautifulSoup(html, 'html.parser') 
>>> type(exampleSoup) 
<class 'bs4.BeautifulSoup'>

2.用select()方法尋找元素：需傳入一個字串作為CSS“選擇器”來取得Web頁面相應元素，例如：

soup.select('div')：所有名為<div>的元素；

soup.select('#author')：帶有id屬性為author的元素；

soup.select('.notice')：所有使用CSS class屬性名為notice的元素；

soup.select('div span')：所有在<div>元素之內的<span>元素；

soup.select('input[name]')：所有名為<input>並有一個name屬性，其值無所謂的元素；

soup.select('input[type="button"]')：所有名為<input>並有一個type屬性，其值為button的元素。

想檢視更多的解析器，請參看這裡。

>>> import requests, bs4 
>>> res = requests.get('') 
>>> res.raise_for_status() 
>>> soup = bs4.BeautifulSoup(res.text, 'html.parser') 
>>> author = soup.select('#author') 
>>> print(author) 
[] 
>>> type(author) 
<class 'list'> 
>>> link = soup.select('link ') 
>>> print(link) 
[<link href="css/mozMainStyle-min.css?v=20170705" rel="external nofollow" rel="external nofollow" rel="
stylesheet" 
type="text/css"/>, <link href="" id=" rel="external nofollow" rel="external nofollow" rel="external 
nofollow" 
moz-skin" rel="stylesheet" type="text/css"/>, <link href="" id=" rel="external nofollow" rel="external 
nofollow" 
rel="external nofollow" moz-dir" rel="stylesheet" type="text/css"/>, <link href="" id=" rel="external 
nofollow" 
rel="external nofollow" rel="external nofollow" moz-ver" rel="stylesheet" type="text/css"/>] 
>>> type(link) 
<class 'list'> 
>>> len(link) 
4
>>> type(link[0]) 
<class 'bs4.element.Tag'> 
>>> link[0] 
<link href="css/mozMainStyle-min.css?v=20170705" rel="external nofollow" rel="external nofollow" rel="stylesheet" 
type="text/css"/> 
>>> link[0].attrs 
{'rel': ['stylesheet'], 'type': 'text/css', 'href': 'css/mozMainStyle-min.css?v=20170705'}

 3.透過元素的屬性獲取資料：接著上面的程式碼寫。

>>> link[0].get('href') 
'css/mozMainStyle-min.css?v=20170705