爬虫项目 --- urllib 和 正则re

from urllib import request,parse
from time import sleep
import re

# 1、【数据的获取】
# 封装一个函数,用于将url转化成一个请求对象
def request_by(url,page):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.80 Safari/537.36'}
    if page==1:
        page_url = url + ".html"
    else:
        page_url = url +"_"+ str(page) + ".html"
    print("正在访问:",page_url)
    req = request.Request(url=page_url,headers=headers)
    return  req
# 封装一个函数,用于对请求对象发起请求并且把响应体返回出去
def get_html_from(req):
    res = request.urlopen(req)
    # 每请求一次要休眠一段时间
    sleep(1)
    return res.read().decode("utf-8")

# 2、【数据的解析】
def anylasis_data(html):
    pat = re.compile(r'<div class="box picblock.*?<img src2="(.*?)"',re.S)
    imgs = pat.findall(html)
    return imgs

# 3、数据的存储
def download_imgs(imgs):
    for img in imgs:
        # http://pic1.sc.chinaz.com/Files/pic/pic9/201904/zzpic17564_s.jpg
        # 生成图片的名字
        img_name = img.split("/")[-1]
        print("正在下载图片:",img)
        request.urlretrieve(url=img,filename="./meinv/"+img_name)
        sleep(1)

if __name__ == '__main__':
    page_url = "http://sc.chinaz.com/tupian/meinvxiezhen"

    for i in range(1,2):
        req = request_by(url=page_url,page=i)
        res = get_html_from(req)
        imgs = anylasis_data(res)
        download_imgs(imgs)

 

转载于:https://www.cnblogs.com/TMMM/p/10834473.html

大数据python之简单的网络爬虫代码实现(单一与循环代码进行网络爬虫) 大数据下的简单网络爬虫使用代码进行实现(本博文对京东网站的某手机的评论进行爬取) 阅读详情

相关推荐

Python网络爬虫和正则表达式学习总结

阅读目录 1.利用urllib2对指定的URL抓取网页内容 2. 使用正则表达式过滤抓取到的网页信息 2.1 正则表达式介绍 2.2 Python的re模块 2.3 Python正则表达式汇总   以前在学校做科研都是直接利用网上共享的一些数据,就像我们经常说的dataset、beachmark等等。但是,对于实际的工业需求来说,爬取网络的数据是必须的并且是首要的。最近在国内一家互联网公司实习,我的mentor交给我的第一件事就是去网络上爬取数据,并对爬取的数据进行相关的分析和解析。 很多人学习

Python学习Q群696455390 771

如何用python实现爬虫自动爬取百度图片原图

说点什么 其实一直以来,对于python这个语言还是很感兴趣的,但是以前一直在做图像处理相关的东西,所以对这种无法触及底层内存处理的语言一直没怎么关注过,不过最近实在是被C++的字符串处理和复杂芜杂的网络框架给整崩溃了,而且看到大家都说python很好玩,就趁着最近没事来学一下python。 昨天跟着廖雪峰老师的python教程(比较推荐它的基础教程),看了看基本的数据结构和逻辑之后,决定还是直接...

我的大学 1万+

简单爬虫:re和urllib

通过python 来实现一个简单的爬虫功能,把我们想要的图片爬取到本地。 一,获取整个页面数据 首先我们可以先获取要下载图片的整个页面信息。 #spider1.py #coding=utf-8 import urllib def getHtml(url): page = urllib.urlopen(url) html = page.read() return

打代码的小女孩 1020

Python爬虫之初体验

Python爬虫,一般用于抓取特定的内容,最近想学学,通过网络抓取自己想要的内容,于是乎学习了一下Python,用一个小案例来纪念一下学习的成果。 案例程序主要功能:抓取我们学校校园网新闻中的图片 #coding=utf-8 import urllib import re # 定义个函数 抓取网页内容 def...

weixin_34177064的博客 92

[Python从零到壹] 四.网络爬虫之入门基础及正则表达式抓取博客案例

欢迎大家来到“Python从零到壹”,在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界。所有文章都将结合案例、代码和作者的经验讲解,真心想把自己近十年的编程经验分享给大家。第四篇文章将开启网络爬虫之旅,首先介绍基础知识及正则表达式的爬虫,希望对您有所帮助,文章中不足之处也请海涵。

杨秀璋的专栏 2万+

在银河麒麟V10上部署Atlas 300i Duo:从固件到驱动的一站式踩坑笔记

日期:2025-09-09关键词:鲲鹏920、Atlas 300i Duo、银河麒麟V10、NPU、驱动、固件。

weixin_41544125的博客 2813

爬虫实例1:2018中国最富1000人名单及信息(table格式)

前两天正好看到这个新闻,顺手就爬一下,用的re正则表达式爬的,用BeautifulSoup会更省力一些 所需爬取链接:http://finance.sina.com.cn/zt_d/jmzf2018/ 网页为静态页面,为表结构,不需要翻页,较简单 使用到的模块: re # 正则 urllib.request # 亦可用request模块,今天看了urllib就正好用了 ope...

dianepure的博客 650

第五章 PCIe介绍 5.1-5.7

为什么SSD要用PCIe接口?因为它快,比SATA快。通道,PCIe最多可以有32个通道。两个设备之间的PCIe连接,叫做一个Link。如下图,设备A和设备B是个双向连接,两个PCIe设备之间,有专门的发送和接收通道,数据可以同时往两个方向传输,PCIe Spec称这种工作模式为,可以理解为。和PCIe一样,SATA有独立的发送和接收通道。但与PCIe工作模式不一样,同一时间,SATA只有一条通道可以进行数据传输。这种工作模式称为。与SATA单通道不同,PCIe连接可以通过增加通道数扩展带宽。

fengbaobaola的博客 2969

python爬虫-电影

python爬虫:豆瓣电影前25名 感想: 学习爬虫前去简单的学习了下python的基本语法,结果左看看右看看也不知道自己学了什么,所以说学习还是要系统的规划一下自己的学习方向,话归正题,这是一个比较简单的爬虫,用了pyhton中urllib库与re模块 爬虫目的: 获取豆瓣电影中前25名的电影名,并保存在文档中。 分析: 在爬取前,我们需要对网页中的html源代码进行分析,找到需要爬取的内容,如...

qq_43160240的博客 357

利用VS2019编写安卓APP的步骤和所遇问题的解决办法

遇到了代码错误,这个可以将鼠标箭头置于错误代码处,这样VS2019给你解决办法,给的方法不能解决,并且读了程序都没有问题,那么你应该重启软件,这样还是不能解决,你尝试重新生成解决方案,还是不能解决有可能是运用的代码与当前版本不相符和、过时了,这个时候应当运用相应版本的代码。注:VS2019编写APP的空间不是很稳定,当你写的代码没有问题,但是出现了报错,可能是空间崩溃了,这个时候可以重启软件。点击“+”号,创建密钥存储,输入“别名”、“密码”、以及下面中的任意一项,直至红色框消失后。

youbestcando的博客 7813

Unity基础篇-----Input输入

2、Input.GetTouch()方法,主要用于移动端开发使用,此方法主要获取触摸屏幕的操作数据,首先通过Input.touchCount这个方法获取到手指触摸屏幕的次数,通过GetTouch方法传输触摸次数,调用Touch结构判断手指的状态来是否为设定的状态,符合的话则执行相关内容。参数(“Horizontal”)表示左右的值,值为-1时,表示你在一直按下左方向对应的按键、设备类型为手柄时,表示你把推杆推到了最左边,为0时为默认位置,手柄中对应正中间,为1时与-1时对应的情况正好相反。

why820mmm的博客 3495

非科班小白的求生之路之第二篇初次尝试爬取糗事百科上的文字段子

非科班小白的求生之路之第二篇 一.开园目的 学习半年之久从来没有来得及整理自己做的一些尝试,现在正是记录在此。本篇目的爬取糗事百科上的文字段子,保存至本地方便阅读。 二.使用工具 主要运用python2.7中urllib2库以及正则表达式re。使用urllib2来打开网页,使用re正则提取信息。由于糗事百科为静态网页可直接观察其url变换规则,获取对应的url地址。 三.前期工作 (1).打开糗事...

weixin_44852693的博客 243

华为OD技术面真题 - 数据库Redis - 1

汇总华为OD技术面真题Redis方面高频真题,提供详细解答。

qq_45776114的博客 934

豆瓣电影top250爬虫概况

豆瓣爬虫概况总结 目的 爬取豆瓣top250电影的详细信息: 电影名称 电影外文名称 电影详情 电影评分 电影评价数目 导演/主演 概述(其中的一句话描述) 项目代码 工具 python3.6.6 urllib库(python内置的http请求库) re库(正则表达式,进行网页信息的筛选) bs4库(BeautifulSoup,将获取的网页内容转化成document树,方便遍历取数据) xlwt库(操作Excel表格,爬取数据进行持久化存储) sqllit3库(sqllit数据库,对数据持久化存储的第二

yangxiao的博客 876

【AI就业干货12】机器学习八股文速通:从损失函数到 XGBoost,一篇带走全部面试点

本文总结了机器学习面试的核心知识点,涵盖监督与非监督学习、线性模型、正则化、决策树、KNN/K-means、SVM、集成学习、梯度下降、评估指标、特征工程、降维、概率模型等内容。重点包括:损失函数选择(MSE/交叉熵)、正则化作用(L1稀疏/L2平滑)、决策树划分准则、集成学习方法(Bagging降方差/Boosting降偏差)、XGBoost优化等。提供了30秒速记口诀和XGBoost代码示例,帮助快速掌握面试要点。全文采用公式+代码+口诀的形式,系统梳理了机器学习从理论到实践的常见考点。

m0_51738372的博客 731

探秘RK3588:OverlayFS挂载与固件升级全攻略

本文围绕RK3588芯片的OverlayFS文件系统挂载与固件升级技术展开详细阐述。首先介绍了RK3588芯片的卓越性能及其在嵌入式领域的广泛应用,重点分析了OverlayFS文件系统的分层架构原理及其在RK3588设备上的挂载方法,包括详细的挂载步骤、常见问题解决方案。随后详细阐述了RK3588设备在Windows和Linux环境下的固件升级方案,涵盖升级准备、具体操作流程及故障处理等内容。最后通过智能安防监控设备的实际案例,展示了OverlayFS挂载与固件升级技术的应用效果。文章为嵌入式开发者提供了全

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 286

python数据库更新消息提醒_用Python实现校园通知更新提醒功能

前言这个项目实已经在一个月前已经完成了,一直都想写一篇博客来总结这个过程中遇到的一些问题。但最近一个月来都比较忙,所以一直拖到了现在。首先说说起因吧,我没事的时候,总喜欢依次点开学校主页、教务处、图书馆以及学院的网站,看看有没有什么新通知,虽然大多与我无关。恰逢最近正在学Python,经常听到别人说用Python写爬虫很简单,但自己尚未接触过爬虫。于是抱着试一试的心态看了几篇关于Python爬虫的...

weixin_39928648的博客 586

Harness Engineering:让Coding Agent真正落地生产

本文将带你系统性地了解如何让Coding Agent真正落地生产,核心是依托(全球领先的持续交付、云成本管理、 feature flagging、安全治理一体化平台),结合企业级AIDD(AI-Driven Development)的工程化实践,构建一套可信赖、可观测、可扩展、可治理的Coding Agent落地体系。核心概念与理论基础:什么是Coding Agent?它和普通的AI代码补全工具(比如GitHub Copilot)有什么区别?什么是Harness Engineering?

移动开发前沿的博客 456

python爬虫之:爬百度贴吧女神图片

本题主要练习简单爬虫、文件操作及正则表达式的应用。比较简单,关键在于多练习和思考。 代码如下: import urllib.request import re import os def get_imgurl(url='https://tieba.baidu.com/p/6043078959'): '...

finedayforu的博客 167

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

用Python实现校园通知更新提醒

前言 这个项目实已经在一个月前已经完成了,一直都想写一篇博客来总结这个过程中遇到的一些问题。但最近一个月来都比较忙,所以一直拖到了现在。 首先说说起因吧,我没事的时候,总喜欢依次点开学校主页、教务处、图书馆以及学院的网站,看看有没有什么新通知,虽然大多与我无关。恰逢最近正在学Python,经常听到别人说用Python写爬虫很简单,但自己尚未接触过爬虫。于是抱着试一试的心态看了几篇关于Pytho...

温柔小猪的博客 3597

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

数据库保存Top100猫眼电影

from urllib import request import re import random import time import pymysql class MaoyanSpider(object): def __init__(self): self.url="https://maoyan.com/board/4?offset={}" #添加计数变量 self.i=0 #创建两个对象 self.db = py

qq_46689983的博客 557

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

python如何下载5个网站视频_python爬网之教你轻松下载视频

项目背景:作为程序媛的我,在疫情发生后就彻底宅了。没事的时候就打打游戏,看看电视剧,学学当大厨。但在下载电视剧的时候发现,一个一个下载太麻烦了。这不符合程序媛的习惯。我的口号是“能拿程序完成的,绝不用人工完成”。分析需求:程序媛的我现在要求希望一键下载,全部自动完成,无需人工干预大体规划:准备采用python语言完成代码不超过30行,准备搞定此事项目实施:1. 装好迅雷软件2. ...

weixin_39787089的博客 394

Python 网络爬虫的常用库汇总(建议收藏)

Python 在编写网络爬虫常常用到的一些库。Python爬虫网络库主要包括:urllib、requests、lxml、fake-useragent、bs4(BeautifulSoup)、grab、pycurl、urllib3、httplib2、RoboBrowser 、MechanicalSoup、mechanize、socket、Unirest for Python、hyper、PySocks、treq、aiohttp等。爬虫框架Web 框架库Re库介绍:正则表达式的表示类型:raw string类型(

Python栈 4291

pandas网络爬虫(一)

说到网络爬虫,就要提到正则表达式和urllib库 python自带re模块和urllib模块 -------------------------------------------------------------------------------------------------------------------------------- 正则表达式 正则表达式,又称规则表达式,...

qq_39577827的博客 2130

爬虫不过如此(python的Re 、Requests、BeautifulSoup 详细篇)

网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。 爬虫的本质就是一段自动抓取互联网信息的程序,从网络获取感兴趣的信息,抓取对于我们有价值的信息,爬虫技术是大数据和云计算的基础。 爬虫的实现可认为是模拟浏览器与服务器数据交互,伪造HTTP请求。 使用总览 网页爬取库: 1、urllib模块的ur...

python学习者的博客 3486
上一篇: 爬虫基础urllib 之(二) --- urllib基础
下一篇: 爬虫基础urllib 之(三) --- urllib模块
baoding4359
博客等级 码龄11年 2粉丝 0原创
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  | 博主筛选后可见
 
 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