如何用python抓取網(wǎng)頁特定內(nèi)容？

用urllib2讀取通過httpsphp獲得網(wǎng)頁源代碼抓取網(wǎng)頁內(nèi)容的幾種方法？

1.使用file_get_contents獲取網(wǎng)頁源代碼。這種方法是最常用的，只需要兩行代碼，非常簡單方便。

2.使用fopen獲取網(wǎng)頁源代碼。這個方法也有很多人用，但是代碼有點(diǎn)多。

3.使用curl獲取網(wǎng)頁源代碼。使用curl獲取網(wǎng)頁源代碼，經(jīng)常被需要更高要求的人使用。比如需要抓取網(wǎng)頁內(nèi)容時，需要獲取網(wǎng)頁的頭部信息，以及編碼和USERAGENT的使用。所謂web代碼是指一些特殊的

以python為例，簡要介紹如何通過python網(wǎng)絡(luò)爬蟲獲取網(wǎng)站數(shù)據(jù)，主要分為靜態(tài)網(wǎng)頁數(shù)據(jù)抓取和頁數(shù)據(jù)抓取。實(shí)驗(yàn)環(huán)境為win10python3.6pycharm5.0，主要內(nèi)容如下:

靜態(tài)網(wǎng)頁數(shù)據(jù)這里的數(shù)據(jù)是嵌入在網(wǎng)頁源代碼中的，所以它可以直接請求網(wǎng)頁源代碼進(jìn)行解析。下面我簡單介紹一下。這里以爬取糗事百科上的數(shù)據(jù)為例:

1.首先，打開原始網(wǎng)頁，如下。假設(shè)這里要抓取的字段包括昵稱、內(nèi)容、段子數(shù)和評論數(shù):

然后看網(wǎng)頁的源代碼，如下，可以看到，所有的數(shù)據(jù)都嵌套在網(wǎng)頁中:

2.然后根據(jù)上面的網(wǎng)頁結(jié)構(gòu)，我們可以直接編寫爬蟲代碼，解析網(wǎng)頁，提取我們需要的數(shù)據(jù)。測試代碼如下，非常簡單，主要使用了requestsBeautifulSoup的組合，其中requests用于獲取網(wǎng)頁的源代碼，BeautifulSoup用于解析從網(wǎng)頁中提取的數(shù)據(jù):

點(diǎn)擊運(yùn)行這個程序，效果如下，我們需要的數(shù)據(jù)已經(jīng)爬取成功:

頁數(shù)據(jù)這里的數(shù)據(jù)都不在網(wǎng)頁的源代碼中(所以你可以不要通過直接請求頁面來獲取任何數(shù)據(jù))。大多數(shù)情況下，它存儲在一個json文件中，只有當(dāng)網(wǎng)頁更新時，數(shù)據(jù)才會被加載。我簡單介紹一下這個方法。這里以抓取人人貸上的數(shù)據(jù)為例:

1.首先，打開原始網(wǎng)頁，如下。假設(shè)這里要爬取的數(shù)據(jù)包括年利率、貸款標(biāo)題、期限、金額、進(jìn)度:

然后按F12調(diào)出開發(fā)者工具，點(diǎn)擊"網(wǎng)絡(luò)"-gt"XHR"接下來，F(xiàn)5刷新頁面，您可以找到并鍵入動態(tài)加載的jso。n文件，如下，也就是我們需要抓取的數(shù)據(jù):

2.然后根據(jù)這個json文件寫相應(yīng)的代碼來分析我們需要的字段信息。測試代碼如下，也很簡單，主要使用requestsjson的組合，其中requests用于請求json文件，json用于分析json文件提取數(shù)據(jù):

點(diǎn)擊運(yùn)行這個程序，效果如下，我們需要的數(shù)據(jù)已經(jīng)爬取成功:

至此，我們已經(jīng)完成了使用python網(wǎng)絡(luò)爬蟲獲取網(wǎng)站數(shù)據(jù)。總的來說，整個過程很簡單。python內(nèi)置了很多網(wǎng)絡(luò)爬蟲包和框架(scrapy等。)，可以快速獲取網(wǎng)站數(shù)據(jù)。非常適合初學(xué)者學(xué)習(xí)掌握。只要你有一定的爬蟲基礎(chǔ)，熟悉以上流程和代碼，就能很快掌握。當(dāng)然也可以用現(xiàn)成的爬蟲軟件，比如章魚、后羿，網(wǎng)上也有相關(guān)教程和資料。