python页面抓取下载,python提取网页内容

发布时间:2022-11-17

本文目录一览:

  1. 如何用Python抓取动态页面信息
  2. 如何用python抓取这个网页的内容?
  3. Python使用自定义的cookie和header抓取下载网页图片

如何用Python抓取动态页面信息

解决思路: 有一个思路最为简单的思路可以动态解析页面信息。urllib不可以解析动态信息,但是浏览器可以。在浏览器上展现处理的信息其实是处理好的HTML文档。这为我们抓取动态页面信息提供了很好的思路。在Python中有一个很有名的图形库——PyQt。PyQt虽然是图形库,但是他里面QtWebkit。这个很实用。谷歌的Chrome和苹果的Safari都是基于WebKit内核开发的,所以我们可以通过PyQt中得QtWebKit把页面中的信息读取加载到HTML文档中,再解析HTML文档,从HTML文档中提取我们想用得信息。 所需材料: 作者本人实用Mac OS X。应该在Windows和Linux平台也可以采用相同的办法。

  1. Qt4 library
    Library,而不是Creator。Library在Mac的默认安装路径下,应该是/home/username/Developor/,不要改变Qt4的默认安装路径。否则可能安装失败。
    官方网址:
  2. SIP、PyQt4
    这两个软件可以在在PyQt的官网找到。下载的是它的源码。Mac和Linux需要自己编译。
    下载地址是:
    在终端切换到文件解压后的目录中。
    在终端中输入:
    python configure.py
    make
    sudo make install
    
    进行安装编译。
    SIP和PyQt4两个安装方法相同。但是PyQt4依赖SIP。所以先安装SIP再安装PyQt4。
    1、2两步完成之后,Python的PyQt4的模块就安装好了。在Python shell中输入 import PyQt4 看看能不能找到PyQt4的模块。
  3. Spynner
    spynner是一个QtWebKit的客户端,它可以模拟浏览器,完成加载页面、引发事件、填写表单等操作。
    这个模块可以在Python的官网找到。
    下载地址:
    解压后,cd到安装目录,然后输入 sudo python configure.py install 安装该模块。
    这样Spynner模块就安装完成了,在python shell中试试 import spynner 看看该模块有没有安装完成。

Spynner的简单使用

Spynner的功能十分强大,但是由于本人能力有限,就介绍一下如何显示网页的源码吧。

#! /usr/bin/python
# -*- coding: utf-8 -*-
import spynner
browser = spynner.Browser()  # 创建一个浏览器对象
browser.hide()  # 打开浏览器,并隐藏。
browser.load("http://example.com")  # browser 类中有一个类方法load,可以用webkit加载你想加载的页面信息。
print(browser.html.encode("utf-8"))  # browser 类中有一个成员是html,是页面进过处理后的源码的字符串。
open("Test.html", 'w+').write(browser.html.encode("utf-8"))  # 你也可以将它写到文件中,用浏览器打开。
browser.close()  # 关闭该浏览器

通过这个程序,就可以比较容易的显示webkit处理的页面HTML源码了。

spynner应用

下面介绍一下spynner的简单应用,通过简单的程序,可以获取你在浏览器中看到的页面的全部图片。用HTMLParser、BeautifulSoup等都可以完成HTMLParser文档的解析。而我选择HTMParser。

#!/usr/bin/python
import spynner
import HTMLParser
import os
import urllib
class MyParser(HTMLParser.HTMLParser):
    def handle_starttag(self, tag, attrs):
        if tag == 'img':
            url = dict(attrs)['src']
            name = os.path.basename(dict(attrs)['src'])
            if name.endswith('.jpg') or name.endswith('.png') or name.endswith('gif'):
                print("Download.....", name)
                urllib.urlretrieve(url, name)
if __name__ == "__main__":
    browser = spynner.Browser()
    browser.show()
    browser.load("http://example.com")
    Parser = MyParser()
    Parser.feed(browser.html)
    print("Done")
    browser.close()

通过这个程序,可以下载你在页面上看到的全部图片。简单的几行程序就完成了这个艰巨的任务。实现了图片的批量处理。这真是Python语言的优势,再艰巨的任务交给第三方吧。

如何用python抓取这个网页的内容?

Python实现常规的静态网页抓取时,往往是用urllib2来获取整个HTML页面,然后从HTML文件中逐字查找对应的关键字。如下所示:

import urllib2
url = "网址"
up = urllib2.urlopen(url)  # 打开目标页面,存入变量up
cont = up.read()  # 从up中读入该HTML文件
key1 = 'a href="http'  # 设置关键字1
key2 = "target"  # 设置关键字2
pa = cont.find(key1)  # 找出关键字1的位置
pt = cont.find(key2, pa)  # 找出关键字2的位置(从字1后面开始查找)
urlx = cont[pa:pt]  # 得到关键字1与关键字2之间的内容(即想要的数据)
print(urlx)

Python使用自定义的cookie和header抓取下载网页图片

# -*- coding: UTF-8 -*-
import requests
__author__ = 'lpe234'
def main():
    url = ''
    cookies = {
        'login': 'yes',
        'cookie2': 'shdjd',
        'cookie3': 'gdhjej'
    }
    headers = {
        'content-type': 'application/json',
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'
    }
    resp = requests.get(url=url, cookies=cookies, headers=headers)
    print(resp.content)
if __name__ == '__main__':
    main()