python爬取网页公开数据_Python爬取网页数据

都说python爬网页数据方便，我们今天就来试试，python爬取数据到底有多方便

简介

爬取数据，基本都是通过网页的URL得到这个网页的源代码，根据源代码筛选出需要的信息

准备

IDE：PyCharm

库：requests、lxml

注：

requests：获取网页源代码

lxml：得到网页源代码中的指定数据

搭建环境

这里的搭建环境，可不是搭建python的开发环境，这里的搭建环境是指，我们使用pycharm新建一个python项目，然后弄好requests和lxml

新建一个项目：

依赖库导入

由于我们使用的是pycharm，所以我们导入这两个库就会显的格外简单import requests

这个时候，requests会报红线，这时候，我们将光标对准requests，按快捷键：alt + enter，pycharm会给出解决之道，这时候，选择install package requests，pycharm就会自动为我们安装了，我们只需要稍等片刻，这个库就安装好了。lxml的安装方式同理.

获取网页源代码

之前我就说过，requests可以很方便的让我们得到网页的源代码

网页就拿我的博客地址举例好了：https://coder-lida.github.io/

获取源码：# 获取源码

html = requests.get("https://coder-lida.github.io/")

# 打印源码

print html.text

代码就是这么简单，这个html.text便是这个URL的源码

完整代码：import requests

import lxml

html = requests.get("https://coder-lida.github.io/")

print (html.text)

打印：

获取指定数据

现在我们已经得到网页源码了，这时就需要用到lxml来来筛选出我们所需要的信息

这里我就以得到我博客列表为例,可以找到原网页通过F12查看XPath,如图

通过XPath的语法获得网页的内容。

查看第一篇文章标题//*[@id="layout-cart"]/div[1]/a/@title// 定位根节点

/ 往下层寻找

提取文本内容：/text()

提取属性内容：/@xxxximport requests

from lxml import etree

html = requests.get("https://coder-lida.github.io/")

#print (html.text)

etree_html = etree.HTML(html.text)

content = etree_html.xpath('//*[@id="layout-cart"]/div[1]/a/@title')

print(content)

查看所有文章标题//*[@id="layout-cart"]/div/a/@title

代码：import requests

from lxml import etree

html = requests.get("https://coder-lida.github.io/")

#print (html.text)

etree_html = etree.HTML(html.text)

content = etree_html.xpath('//*[@id="layout-cart"]/div/a/@title')

print(content)

输出：[' springboot逆向工程 ', ' 自己实现一个简单版的HashMap ', ' 开发中常用的 个JavaScript 单行代码 ', ' shiro 加密登录 密码加盐处理 ', ' Spring Boot构建RESTful API与单元测试 ', ' 记一次jsoup的使用 ']