本文实例讲述了Python实现的爬虫功能。分享给大家供大家参考,具体如下:

主要用到urllib2、BeautifulSoup模块
#encoding=utf-8
import re
import requests
import urllib2
import datetime
import MySQLdb
from bs4 import BeautifulSoup
import sys
reload(sys)
sys.setdefaultencoding("utf-8")
class Splider(object):
def __init__(self):
print u'开始爬取内容...'
##用来获取网页源代码
def getsource(self,url):
headers = {'User-Agent':'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_3) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/50.0.2652.0 Safari/537.36'}
req = urllib2.Request(url=url,headers=headers)
socket = urllib2.urlopen(req)
content = socket.read()
socket.close()
return content
##changepage用来生产不同页数的链接
def changepage(self,url,total_page):
now_page = int(re.search('page/(\d+)',url,re.S).group(1))
page_group = []
for i in range(now_page,total_page+1):
link = re.sub('page/(\d+)','page/%d' % i,url,re.S)
page_group.append(link)
return page_group
#获取字内容
def getchildrencon(self,child_url):
conobj = {}
content = self.getsource(child_url)
soup = BeautifulSoup(content, 'html.parser', from_encoding='utf-8')
content = soup.find('div',{'class':'c-article_content'})
img = re.findall('src="(.*?)"',str(content),re.S)
conobj['con'] = content.get_text()
conobj['img'] = (';').join(img)
return conobj
##获取内容
def getcontent(self,html_doc):
soup = BeautifulSoup(html_doc, 'html.parser', from_encoding='utf-8')
tag = soup.find_all('div',{'class':'promo-feed-headline'})
info = {}
i = 0
for link in tag:
info[i] = {}
title_desc = link.find('h3')
info[i]['title'] = title_desc.get_text()
post_date = link.find('div',{'class':'post-date'})
pos_d = post_date['data-date'][0:10]
info[i]['content_time'] = pos_d
info[i]['source'] = 'whowhatwear'
source_link = link.find('a',href=re.compile(r"section=fashion-trends"))
source_url = 'http://www.whowhatwear.com'+source_link['href']
info[i]['source_url'] = source_url
in_content = self.getsource(source_url)
in_soup = BeautifulSoup(in_content, 'html.parser', from_encoding='utf-8')
soup_content = in_soup.find('section',{'class':'widgets-list-content'})
info[i]['content'] = soup_content.get_text().strip('\n')
text_con = in_soup.find('section',{'class':'text'})
summary = text_con.get_text().strip('\n') if text_con.text != None else NULL
info[i]['summary'] = summary[0:200]+'...';
img_list = re.findall('src="(.*?)"',str(soup_content),re.S)
info[i]['imgs'] = (';').join(img_list)
info[i]['create_time'] = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
i+=1
#print info
#exit()
return info
def saveinfo(self,content_info):
conn = MySQLdb.Connect(host='127.0.0.1',user='root',passwd='123456',port=3306,db='test',charset='utf8')
cursor = conn.cursor()
for each in content_info:
for k,v in each.items():
sql = "insert into t_fashion_spider2(`title`,`summary`,`content`,`content_time`,`imgs`,`source`,`source_url`,`create_time`) values ('%s','%s','%s','%s','%s','%s','%s','%s')" % (MySQLdb.escape_string(v['title']),MySQLdb.escape_string(v['summary']),MySQLdb.escape_string(v['content']),v['content_time'],v['imgs'],v['source'],v['source_url'],v['create_time'])
cursor.execute(sql)
conn.commit()
cursor.close()
conn.close()
if __name__ == '__main__':
classinfo = []
p_num = 5
url = 'http://www.whowhatwear.com/section/fashion-trends/page/1'
jikesplider = Splider()
all_links = jikesplider.changepage(url,p_num)
for link in all_links:
print u'正在处理页面:' + link
html = jikesplider.getsource(link)
info = jikesplider.getcontent(html)
classinfo.append(info)
jikesplider.saveinfo(classinfo)
更多关于Python相关内容可查看本站专题:《Python Socket编程技巧总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。
# Python
# 爬虫
# Python爬虫实例爬取网站搞笑段子
# Python3.4编程实现简单抓取爬虫功能示例
# Python网络爬虫与信息提取(实例讲解)
# python利用urllib实现爬取京东网站商品图片的爬虫实例
# python制作小说爬虫实录
# python爬虫实战之最简单的网页爬虫教程
# Python 爬虫之超链接 url中含有中文出错及解决办法
# 基于python爬虫数据处理(详解)
# python爬虫入门教程--HTML文本的解析库BeautifulSoup(四)
# Python爬虫之模拟知乎登录的方法教程
# python爬虫入门教程--优雅的HTTP库requests(二)
# Python爬虫实现(伪)球迷速成
# 进阶
# 操作技巧
# 相关内容
# 数据结构
# 给大家
# 更多关于
# 所述
# 程序设计
# 源代码
# 使用技巧
# 编程技巧
# 讲述了
# read
# close
# urlopen
# content
# return
# now_page
# int
# changepage
相关文章:
做企业网站制作流程,企业网站制作基本流程有哪些?
建站之星24小时客服电话如何获取?
如何在IIS管理器中快速创建并配置网站?
青浦网站制作公司有哪些,苹果官网发货地是哪里?
建站之星2.7模板快速切换与批量管理功能操作指南
太平洋网站制作公司,网络用语太平洋是什么意思?
免费网站制作appp,免费制作app哪个平台好?
建站之星下载版如何获取与安装?
如何通过虚拟主机空间快速建站?
建站之星免费版是否永久可用?
如何在西部数码注册域名并快速搭建网站?
建站之星如何实现PC+手机+微信网站五合一建站?
如何零基础开发自助建站系统?完整教程解析
企业宣传片制作网站有哪些,传媒公司怎么找企业宣传片项目?
建站中国官网:模板定制+SEO优化+建站流程一站式指南
创业网站制作流程,创业网站可靠吗?
如何用景安虚拟主机手机版绑定域名建站?
重庆市网站制作公司,重庆招聘网站哪个好?
电商平台网站制作流程,电商网站如何制作?
关于BootStrap modal 在IOS9中不能弹出的解决方法(IOS 9 bootstrap modal ios 9 noticework)
如何基于PHP生成高效IDC网络公司建站源码?
建站主机类型有哪些?如何正确选型
唐山网站制作公司有哪些,唐山找工作哪个网站最靠谱?
宝塔面板如何快速创建新站点?
微网站制作教程,我微信里的网站怎么才能复制到浏览器里?
建站主机与服务器功能差异如何区分?
建站主机选购指南与交易推荐:核心配置解析
网站制作需要会哪些技术,建立一个网站要花费多少?
微课制作网站有哪些,微课网怎么进?
如何批量查询域名的建站时间记录?
广州网站制作的公司,现在专门做网站的公司有没有哪几家是比较好的,性价比高,模板也多的?
高端网站建设与定制开发一站式解决方案 中企动力
C#怎么使用委托和事件 C# delegate与event编程方法
深圳网站制作培训,深圳哪些招聘网站比较好?
新网站制作渠道有哪些,跪求一个无线渠道比较强的小说网站,我要发表小说?
如何挑选最适合建站的高性能VPS主机?
如何快速上传建站程序避免常见错误?
营销式网站制作方案,销售哪个网站招聘效果最好?
建站之星伪静态规则如何设置?
建站为何优先选择香港服务器?
建站之星后台搭建步骤解析:模板选择与产品管理实操指南
如何设计高效校园网站?
盘锦网站制作公司,盘锦大洼有多少5G网站?
网站代码制作软件有哪些,如何生成自己网站的代码?
建站之星伪静态规则如何正确配置?
教学网站制作软件,学习*后期制作的网站有哪些?
ppt在线制作免费网站推荐,有什么下载免费的ppt模板网站?
网站制作的方法有哪些,如何将自己制作的网站发布到网上?
长沙企业网站制作哪家好,长沙水业集团官方网站?
GML (Geography Markup Language)是什么,它如何用XML来表示地理空间信息?
*请认真填写需求信息,我们会在24小时内与您取得联系。