在好例子网,分享、交流、成长!
您当前所在位置:首页Python 开发实例Python语言基础 → python 爬取网址数据示例

python 爬取网址数据示例

Python语言基础

下载此实例
  • 开发语言:Python
  • 实例大小:1.76KB
  • 下载次数:60
  • 浏览次数:1065
  • 发布时间:2017-10-20
  • 实例类别:Python语言基础
  • 发 布 人:黄崇田1023817931
  • 文件格式:.py
  • 所需积分:4
 相关标签: 数据

实例介绍

【实例简介】 
【实例截图】 
from clipboard 
【核心代码】 

#!/usr/bin/python
# -*- coding: UTF-8 -*-


from bs4 import BeautifulSoup
import requests.exceptions
from urllib.parse import urlsplit
from collections import deque
import re

# 一个需要爬行的url队列
new_urls = deque(['https://www.baidu.com/'])

# 一组我们已经爬过的url
processed_urls = set()

emails = set()

# 一个一个地处理url,直到我们耗尽队列
while len(new_urls):

    # 将下一个url从队列移动到处理的url集合
    url = new_urls.popleft()
    processed_urls.add(url)

    # 提取基本url以解析相对链接
    parts = urlsplit(url)
    base_url = "{0.scheme}://{0.netloc}".format(parts)
    path = url[:url.rfind('/') 1] if '/' in parts.path else url

    # 获取url的内容
    print("Processing %s" % url)
    try:
        response = requests.get(url)
    except (requests.exceptions.MissingSchema, requests.exceptions.ConnectionError):
        # 忽略页面错误
        continue

    # 提取所有电子邮件地址并将它们添加到结果集
    new_emails = set(re.findall(r"[a-z0-9\.\- _] @[a-z0-9\.\- _] \.[a-z] ", response.text, re.I))
    emails.update(new_emails)

    # 为html文档创建一个beutiful汤
    soup = BeautifulSoup(response.text)

    #查找并处理文档中的所有锚
    for anchor in soup.find_all("a"):
        # 从锚中提取链接url
        link = anchor.attrs["href"] if "href" in anchor.attrs else ''
        # 解决相对链接
        if link.startswith('/'):
            link = base_url   link
        elif not link.startswith('http'):
            link = path   link
        # 如果没有队列或处理,将新url添加到队列中
        if not link in new_urls and not link in processed_urls:
            new_urls.append(link)

标签: 数据

实例下载地址

python 爬取网址数据示例

不能下载?内容有错? 点击这里报错 + 投诉 + 提问

好例子网口号:伸出你的我的手 — 分享

网友评论

发表评论

(您的评论需要经过审核才能显示)

查看所有0条评论>>

小贴士

感谢您为本站写下的评论,您的评论对其它用户来说具有重要的参考价值,所以请认真填写。

  • 类似“顶”、“沙发”之类没有营养的文字,对勤劳贡献的楼主来说是令人沮丧的反馈信息。
  • 相信您也不想看到一排文字/表情墙,所以请不要反馈意义不大的重复字符,也请尽量不要纯表情的回复。
  • 提问之前请再仔细看一遍楼主的说明,或许是您遗漏了。
  • 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦,又没人会搭理,于人于己都无利。

关于好例子网

本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享,对搜索内容的合法性不具有预见性、识别性、控制性,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论平台是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定,若资源存在侵权或相关问题请联系本站客服人员,点此联系我们。关于更多版权及免责申明参见 版权及免责申明

;
报警