从网页获取数据

本文介绍如何遵循robots.txt协议抓取特定网站数据,如豆瓣《小王子》评论,利用requests库处理不同格式响应,结合beautifulsoup或正则表达式高效提取结构复杂数据。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

有的网站会提供一个爬虫协议文件robots.txt
例如豆瓣的爬虫协议:https://www.douban.com/robots.txt
在这里插入图片描述
这里我们要对《小王子》的豆瓣评论进行抓取,需要用到的是subject这个目录,在豆瓣网页的爬虫协议中,并没有禁止这项操作。
在这里插入图片描述
在这里插入图片描述
200表示一切正常
抓取源代码:
在这里插入图片描述

注:
1、响应内容是二进制,要用r.content 来解码(比如抓取图片时,生成的数据是二进制码)

2、如果网页格式是json格式,要用可以用requests库中内置的json解码器来解码:r.json()
3、r.text可以自动推测文本编码并进行解码
4、通过encoding这个属性去修改文本编码,常用encoding = ‘utf-8’

在这里插入图片描述

利用beautifulsoup或正则表达式提取数据
对于数据结构比较复杂的数据提取,更适合使用正则表达式模块

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