Python爬虫脚本,利用find爬取普通网页(源码)

使用 Python3 获取网页源代码 爬虫的数据爬取量非常大,显然不可能对每个页面都手动复制源代码,因此就有必要使用自动化的方式来获取网页源代码。 阅读详情

BeautifulSoup+ Find + Oracle爬取

不想存库的话直接用CSV做成表格数据也是可以的,方便了上班族

# 全国城市
import requests
from bs4 import BeautifulSoup
import cx_Oracle
import os
import uuid 
os.environ['NLS_LANG'] = 'SIMPLIFIED CHINESE_CHINA.UTF8'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36'}  # 爬虫[Requests设置请求头Headers],伪造浏览器
# 核心爬取代码 
conn = cx_Oracle.connect('username/password@127.0.0.1:1521/orcl')
print("数据库连接上了")

cursor_oracle = conn.cursor()
sql = "select PARAKEY from BASEDATA WHERE PARACODE=" + "'vagetable'"
cr = conn.cursor()
cr.execute(sql)  # 执行sql语句
fenlei = []
rs = cr.fetchall()  # 一次返回所有结果集

for (row,) in rs: 
    # 去掉括号,放入数组
    fenlei.append(row)
    
print(fenlei)
num = 0
url = 'http://nong.gold600.com/cx?pz=';
# 山东URL
shanUrl = []
# 全国URL
allUrl = []
for k in fenlei:
# 这个是在for循环外面的,就是将列表的元素之间用&符号连接起来
    aa = url + k + '&c=shandong'
    cc = url + k
    
    shanUrl.append(aa)
    allUrl.append(cc)
    
    for i in range(2, 11):
        bb = aa + '&page=' + str(i)
        dd = cc + '&page=' + str(i)
        shanUrl.append(bb)
        allUrl.append(dd)
        
# 循环全国打印url
for url in allUrl:
    print(url)
    response = requests.get(url, headers=headers)  # 访问url
    soup = BeautifulSoup(response.text, 'html.parser')  # 获取网页源代码
    # 获取数据
    tr = soup.find('table', class_='bx').find_all('tr')  # .find定位到所需数据位置  .find_all查找所有的tr(表格)
    # 去除标签栏
    for j in tr[1:]:  # tr2[1:]遍历第1列到最后一列,表头为第0列
        TTID = str(uuid.uuid1())
        td = j.find_all('td')  # td表格
        Name = td[0].get_text().strip()  # 遍历名称
        Price = td[1].get_text().strip()  # 遍历价格
        AQI = td[2].get_text().strip()  # 遍历单位
        Market = td[3].get_text().strip()  # 遍历批发市场
        Timme = td[4].get_text().strip()  # 遍历时间
        Code = '0'
        sql = "insert into PRODUCTPRICE(ID,NAME,PRICE,UNIT,AREA,INDATE,CODE) values ('" + TTID + "','" + Name + "','" + Price + "','" + AQI + "','" + Market + "','" + Timme + "','" + Code + "')"
        cursor_oracle.execute(sql)
        num = num + 1
        if(num > 100):
            conn.commit()
            num = 0
# 循环山东打印url
for url in shanUrl:
    print(url)
    response = requests.get(url, headers=headers)  # 访问url
    soup = BeautifulSoup(response.text, 'html.parser')  # 获取网页源代码
    # 获取数据
    tr = soup.find('table', class_='bx').find_all('tr')  # .find定位到所需数据位置  .find_all查找所有的tr(表格)
    # 去除标签栏
    for j in tr[1:]:  # tr2[1:]遍历第1列到最后一列,表头为第0列
        TTID = str(uuid.uuid1())
        td = j.find_all('td')  # td表格 
        Name = td[0].get_text().strip()  # 遍历名称
        Price = td[1].get_text().strip()  # 遍历价格
        AQI = td[2].get_text().strip()  # 遍历单位
        Market = td[3].get_text().strip()  # 遍历批发市场
        Timme = td[4].get_text().strip()  # 遍历时间
        Code = '1'
        sql = "insert into PRODUCTPRICE(ID,NAME,PRICE,UNIT,AREA,INDATE,CODE) values ('" + TTID + "','" + Name + "','" + Price + "','" + AQI + "','" + Market + "','" + Timme + "','" + Code + "')"
        cursor_oracle.execute(sql)
        num = num + 1
        if(num > 100):
            conn.commit()
            num = 0
conn.commit()
cursor_oracle.close()
conn.close()

python爬取网页数据步骤,python怎么爬取网页内容 长此以往,对于各类网页结构都有所涉猎,自然经验丰富,水到渠成。大家好,本文将围绕利用python爬取简单网页数据步骤展开说明,python爬取网页数据步骤图解是一个很多人都想弄明白的事情,想搞清楚python怎么爬取网站所有网页需要先了解以下几个事情。本文主要介绍了Python爬虫入门之爬虫解析提取数据的四种方法,通过具体的内容向大家展现,希望对大家Python爬虫的学习有所帮助。爬取网页数据用正则表达式的话,可以直接从网页源代码文本中匹配,但出错率较高,且熟悉正则表达式的使用也比较难,需要经常翻阅文档。 阅读详情

相关推荐

Python爬虫—【最强兵王】音频爬取

单位的同事喜欢听电子书,抽空写了个脚本,爬取了所有的电子书音频,这样听书比较方便。 电子书网址:最强兵王 福海版 通过 F12 开发者工具,可以清晰地看到网页的结构,先查看 title 所在的位置: 接下来查找音频 audio 所在的位置: 学习 Python 爬虫,常用的库需要了解一下,如requests,BeautifulSoup,selenium等,用起来很方便。 ...

MasterHuang的专栏 1028

查看网页源代码后如何返回

查看网页源代码后如何返回?去掉https前面的内容

m0_73613426的博客 839

python网站爬数据脚本

适用与每天固定登录网站检查数据,可以根据自己的需求将数据拉到本地。

python爬取网页源代码,提取关键词信息

【代码】python爬取网页源代码,提取关键词信息。

Ppandaer的博客 1093

Tiff、jpg图片怎么样添加地理坐标信息

Tiff、jpg图片怎么样添加地理坐标信息 一般,外业调查只有地图资料,如专题图、或者地形图,如何把这些地图资料的扫描地图带上坐标信息,从而内业实现信息化处理?以上问题,可以解决,但根据不同情况有不同的处理方法。     第一种,上面有经纬度外框,图片是矩形,但是没有地理信息。 通过图框的两个角的坐标确定范围,分别是左上(140°E,30°N);右下(150°W,30°N) 解决方

树木_xzw的博客 2万+

【Docker】Docker安装Hadoop分布式集群

hadoop目录安装在:/usr/local/hadoop-2.7.0/etc/hadoop。访问Hadoop102:9870,查看是否能够看到hdfs界面。访问hadoop103:8088,查看能够看到yarn界面。在yarn上可以看到执行情况。

weixin_46429290的博客 3459

python爬虫入门(#1)——网页源码的获取与解析

python的第三方库是真的强大,真的强大,真的强大 python写爬虫是真的方便,真的方便,真的方便 学校开的python课程水分大,进度慢,还无聊,索性自己学吧 除了爬虫,python的数据可视化,图像处理等等还有一大堆好玩的东西可以学,不过鉴于下学期开数据挖掘与可视化,我决定先把爬虫和数据可视化学一下 python爬虫✌ 开始前的准备 python安装:略???? html css 基本知识(...

weixin_44077128的博客 3092

波分复用技术原理

波分复用原理 把不同波长的光信号复用到同一根光纤中进行传送,这种方式我们把它叫做波分复用( Wavelength Division Multiplexing ) 一根光纤被划分为多个波道,多个波长以一定的间隔隔开,在光纤中独立传输。 波分复用应用演示 如果将WDM系统看作交通系统,光纤可以看作是多个车道的公用道路。 各种类型的业务就像货物一样,被打包装载到车辆中。 车辆按照分配的车道行驶至目的地,完成货物的运输。 想要提高波分复用系统的传输容量,就要增加波道数量或是提升单波传...

m0_63251770的博客 9996

python爬虫:使用xpath和find两种方式分别实现使用requests_html库爬取网页中的内容

在此先感谢https://blog.csdn.net/weixin_43790560/article/details/86617630这位博主,详细的过程,收益匪浅 这几天一直在研究requests_html,这是一个超级好用的工具,同是实现爬取一样的内容,却比requests少很多代码,实现起来更简单。 今天爬取的网站是:https://cpppatterns.com/patterns/co...

蒗若晨曦 3224

UE5抗锯齿实战:如何用TAA解决闪烁问题(附参数优化指南)

本文深入探讨了UE5中TAA(时间性抗锯齿)技术如何有效解决画面闪烁问题,并提供了详细的参数优化指南。通过基础参数配置、高级优化技巧以及材质层面的策略,帮助开发者显著提升视觉质量。文章还介绍了诊断工具链,助力快速定位并解决顽固闪烁问题。

solidity8miner的博客 423

Elsevier投稿别再踩坑了!手把手教你搞定LaTeX模板和所有附件(附避坑清单)

本文详细解析Elsevier投稿全流程中的关键环节,特别是LaTeX模板的使用和系统提交的常见问题。从必备文件准备到LaTeX模板适配,再到投稿系统操作指南,提供全面的避坑清单和实用技巧,帮助科研工作者高效完成投稿,避免因格式错误或文件遗漏导致的退稿风险。

weixin_30915275的博客 551

Python爬虫入门学习——网页批量爬取文本

Python爬虫小白入门,文章首先介绍爬虫概念,以及爬虫的合法性问题。基于对网页的HTML编码的初步了解,介绍了两个第三方库,requests和BeautifulSoup库。进而进阶至小说文本的爬取,再深入到爬取小说并规整格式至txt...

weixin_55154866的博客 4088

物理AI重构自动驾驶供应链 | 传统Tier1盈利模式崩塌,纯算法/软硬一体双路线落地对比,助力智驾软件商业化与全场景模型迭代

2026年是自动驾驶物理AI规模化落地元年,行业彻底告别传统感知-预测-规划-控制的模块化分层开发范式,迈入以世界模型、物理规则推演、端到端动作生成为核心的全新技术阶段。不同于传统AI仅完成图像识别、目标检测的浅层感知任务,物理AI能够深度理解道路交通中的动力学约束、路面摩擦、车辆博弈、行人运动规律等真实物理逻辑,实现对复杂路况的时序推演与自主决策,从底层重构自动驾驶技术架构。技术迭代同步引发产业链颠覆性变革,沿用数十年的传统自动驾驶Tier1商业模式全面崩塌。

getusushu的博客 285

Python爬虫之动态网页抓取(万科更新时间)

爬取的页面分为静态页面和动态页面,静态的页面爬取很常见,就如豆瓣top250的爬取,展示的内容都在HTML源代码中。而动态页面,很多内容不会出现在HTML源代码中,例如使用JavaScript时,很可能出现这种情况。豆瓣Top250页面标题https://movie.douban.com/top250?F12—>检查(选择触不可及),可以看到源码定位到触不可及标题这里。在右键打开源码。

bring_coco的博客 1万+

紫光展锐面试——FPGA/IC设计面试面经案例总结

自我介绍;研究生的主要研究方向是什么?为什么想要应聘数字芯片相关的工作?简单介绍下数字IC设计流程。逻辑综合主要做什么?你有实际做过逻辑综合工作吗?你了解SS corner和FF corner吗?综合时应该使用哪个corner?综合时需要考虑hold吗?为什么?提高时钟频率对setup和hold有什么影响?为什么?hvt、rvt/svt、lvt有什么区别?c40、c50是指什么概念?有什么区别?你对EDA工具有过了解吗?

FPGA/MATLAB学习教程/源码/项目合作开发 1561

基于STM32L4XX 、HAL库的TMC2209-LA-T步进电机驱动器驱动程序应用设计

/ R/W=0 表示写。uint32_t gconf_value = (0 << 0) // I_scale_analog: 禁用,使用UART控制电流。uint32_t ihold_irun = (8 << 0) // 保持电流 8/31 最大值。

PP_Cottage的博客 448

python用find爬虫提取img下的src属性_Python爬虫学习 - day1 - 爬取图片

利用Python完成简单的图片爬取最近学习到了爬虫,瞬时觉得很高大上,想取什么就取什么,感觉要上天。这里分享一个简单的爬取汽车之家文章列表的图片教程,供大家学习。需要的知识点储备本次爬虫脚本依赖两个模块:requests模块,BeautifulSoup模块。其中requests模块完成url的请求,而BeautifulSoup模块负责解析Html标签。requests模块requests.get(...

weixin_39621860的博客 4356

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Python网络爬虫Selenium的简单使用

Python网络爬虫-Selenium 首先先说一下对Selenium的看法,个人认为它是在爬虫中比较好用的一个工具,使用习惯后可能不遇到特殊情况的爬取,也是不会换其他的工具的。然后,想要学习爬虫,如果比较详细的了解web开发的前端知识会更加容易上手,时间不够充裕,仅仅了解html的相关知识也是够用的。 准备工作: 使用它肯定先要安装它,对于Selenium的安装推荐使用pip,十分方便。因为我使...

weixin_45588852的博客 356

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

python爬取豆瓣电影名称、评分

最近在学习爬虫,爬取豆瓣电影Top250电影名称、评分。 不是很困难,大佬直接忽略吧。 直接上代码了。 import requests from bs4 import BeautifulSoup for i in range (0,10): url = "https://movie.douban.com/top250?start="+(str(i*25)) #获取网页 r...

qq_42621977的博客 8668

python网络爬虫

title: 网络爬虫实战 date: 2019-03-18 19:28:29 tags: 介绍 ​ 使用python来编写爬虫简单高效,即使新手也能够很容易的学习,接下来我将要面向新手讲解爬虫的整个过程,接下来讲解python环境的搭建。 环境的搭建 第一步安装python环境,直接在官网下载即可,网上有很多的python安装教程,照着一步一步的安装即可。 第二步检测pytho...

sun的博客 294

python bs4 find_all_网络爬虫(三)BS4提取之find_all

我们用selector方法对酷狗top500进行爬取,此方法提取数据很不健壮,当对方对html源码修改进行修改,这个爬虫就不能使用了,因为这方法是按照 html 树一层一层元素的选取,当有一个元素修改,树状结构发生变化,就不再可用。这里我们使用 find_all 方法提取数据,就如字面意思,找到所有符合的元素,这种方法比 select 更健壮,因为不管 html 树状结构如何改变,此方法都会选择特...

weixin_27051161的博客 3702

利用python传统网络爬虫包爬取Ajax网站数据

所谓Ajax网站,就是内容动态生成的网站,Ajax网站的最大特征就是翻页时url没有变化,因此如果用selenium的get方法是无法获得网站的信息的,因为使用selenium时网站的源码在翻页或刷新后仍然是前一页的源码,我们想要的新信息在新的一页,所以webdriver.find_elements()方法是无法获得新信息的。爬取Ajax网站的网站最重要的步骤就是获取真正的从服务器获取信息的url,而不是网址的url。我的系统是mac,大家注意要把代码转换成自己的系统。

m0_61475168的博客 456

解决python爬虫时遇到AttributeError: ‘NoneType‘ object has no attribute ‘find_all‘

最近在练习学到的爬虫实例遇到AttributeError: ‘NoneType’ object has no attribute 'find_all’的错误。 爬虫要求如下: 任务描述:https://movie.douban.com/cinema/later/beijing/ 这个页面描述了北京最近上映的电影,你能否通过 Python 得到这些电影的名称、上映时间和海报呢?这个页面的海报是缩小版的,我希望你能从具体的电影描述页面中抓取到海报。 在运行老师给的代码如下: import requests fr

小朱小朱绝不认输的博客 8万+

python写爬虫之提取网页的内容(筛选)

利用网络爬虫获取简单信息的基本步骤是:提取网页源码——>筛选内容——>保存内容 一、提取网页源码 取网页源码方法很多,常用的库有:urllib库,requests库等。。。具体的例程可访问我的上篇文件: https://blog.csdn.net/scx2006114/article/details/81389331 二、筛选内容 ...

scx2006114的博客 5万+

终极Python网络爬虫框架Scrapling:3分钟快速上手实战指南

还在为网站反爬机制头疼吗?🤔 每次写爬虫都要处理JavaScript渲染、验证码、IP封禁这些烦人的问题?今天我要分享一个让你彻底告别这些烦恼的Python神器——Scrapling!这是一个现代化的自适应网络爬虫框架,从单次请求到大规模爬取都能轻松应对。 ## 🚀 为什么Scrapling能成为你的爬虫利器? Scrapling不仅仅是一个爬虫库,它是一个完整的解决方案。想象一下,你只需

gitblog_00349的博客 698

用 Python 爬取静态网页:从请求到提取的完整流程

本文详细介绍了使用Python爬取静态网页的全流程。首先讲解环境准备,包括安装requests、BeautifulSoup4等必备库;其次拆解核心步骤:通过requests发送HTTP请求获取源码,利用BeautifulSoup解析HTML并提取数据,最后将结果保存为TXT或CSV文件。文中提供了完整代码示例,并重点说明了反爬应对、数据清洗等关键技巧。特别强调要遵守爬虫协议,控制请求频率,避免法律风险。该教程是Python爬虫入门的实用指南,帮助初学者快速掌握静态网页爬取的核心技能。

weixin_41943766的博客 1850
上一篇: 一个简单的短信注册Demo
下一篇: Python爬虫脚本,初级入门爬取英雄联盟所有皮肤(源码)
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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