Python爬取网页内容

1.基本思路

        此下载框架由五部分组成,即:URL管理器、网页下载器、网页解析器、调度器和保存器。

        其时序图如图所示。

        

 

       给定一个要访问的url,获取这个html及内容,遍历html中的某一类链接,如a标签的href属性,从这些链接中继续访问相应的html页面,然后获取这些html的固定标签的内容,如果需要多个标签内容,可以通过字符串拼接,最后通过正则表达式删除所有的标签,最后将其中的内容写入.txt文件。

        所有要爬取的页面,它们的标签格式都是相同的,给定的url所获得的html,它包含的标签链接是可以筛选的,筛选后的标签链接会被继续请求其html文档。通过一个调度器是一个循环体,循环处理这些url、请求以及html、网页解析。

2.Beautiful Soup库

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值