python爬取网页文本、图片

蔚落 2021-12-10 07:37 462阅读 0赞

# 从网页爬取文本信息： #

eg:从[http://computer.swu.edu.cn/s/computer/kxyj2xsky/][http_computer.swu.edu.cn_s_computer_kxyj2xsky]中爬取讲座信息（讲座时间和讲座名称）

注：如果要爬取的内容是多页的话，网址一定要从第二页开始，因为有的首页和其他页的网址有些区别

代码

import pymysql
    import requests
    #需要导入模块
    db = pymysql.connect('localhost', 'root', '2272594305', 'mysql')#第三个是数据库密码，第四个是数据库名称
    print("数据库连接成功！")
    print("---------------------------------------------------")
    r = requests.get("https://python123.io/ws/demo.html")#获取网页源代码
    
    
    import re
    def get_text(url):#函数
        r = requests.get(url)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    
    def parse_html(url, list):
        demo = get_text(url)
        # 将正则表达式编译成正则表达式对象，方便复用该正则表达式
        # ".*?" ：匹配任意字符串
        # [\u4e00-\u9fa5] ：匹配中文
        # (\d{
         4}-\d{
        2}-\d{
        2}) : 匹配日期
        #计信院前沿学术报告(2019.7.1)</a></li>\[(\d{
        4}-\d{
        2}-\d{
        2})\]
        patern = re.compile('<li><span\sclass="fr">\[(\d{4}-\d{2}-\d{2})\]</span>.*?  (.*?)</a></li>', re.S)
        results = re.findall(patern, demo)
        for result in results:
            list.append(result)#向列表添加对象
        return list
    
    url = 'http://computer.swu.edu.cn/s/computer/kxyj2xsky/index.html'
    list = []
    for i in range(2,5):
        url = 'http://computer.swu.edu.cn/s/computer/kxyj2xsky/index_'+str(i) + '.html'
        list = parse_html(url, list)
    
    count = 0
    for i in list:
        count = count + 1
        print(i)
    print("一共有"+str(count)+"条数据！")

输出

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

数据库连接成功！
    ---------------------------------------------------
    ('2018-11-20', '计信院前沿学术报告（2018.11-23）')
    ('2018-11-19', '计信院前沿学术报告（2018.11-20）')
    ('2018-11-15', '计信院前沿学术报告（2018.11-22）')
    ('2018-11-12', '计信院前沿学术报告（2018.11-14）')
    ('2018-11-02', '第三届全国形式化方法与应用会议暨形式化专委年会（FMAC 2018）即将开幕')
    ('2018-11-01', '计信院前沿学术报告（2018.11-06）')
    ('2018-10-25', '计信院前沿学术报告（2018.10-31）')
    ('2018-10-17', '计信院前沿学术报告（2018.10-19）')
    ('2018-10-10', '计信院前沿学术报告（2018.10-17）')
    ('2018-09-26', '计信院前沿学术报告（2018.09-29）')
    ('2018-09-12', '计信院前沿学术报告（2018.09-18）')
    ('2018-09-03', '计信院前沿学术报告（2018.09-04）')
    ('2018-07-05', '计信院前沿学术报告(2018.07-05)')
    ('2018-06-28', '计信院前沿学术报告(2018.07-02)')
    ('2018-06-20', '第7届华人学者知识表示与推理学术研讨会')
    ('2018-06-19', '计信院前沿学术报告(2018-06-20)')
    ('2018-05-15', '计信院前沿学术报告(2018-05-16)')
    ('2018-05-07', '计信院前沿学术报告(2018-05-10)')
    ('2018-05-02', '西南大学第三届青年学者含弘科技论坛 计算机与信息科学学院分论坛 学术报告')
    ('2018-04-16', '计信院前沿学术报告（2018-04-23）')
    ('2018-04-09', '计信院前沿学术报告（2018-04-16）')
    ('2018-04-04', '第四届可信软件系统工程（国际）春季学校Spring School on Engineering Trustworthy Software Systems')
    ('2018-04-02', '计信院前沿学术报告(2018-04-08)')
    ('2018-04-02', '计信院前沿学术报告(2018-04-02)')
    ('2018-03-27', '计信院前沿学术报告（2018-03-30）')
    ('2018-01-09', '理论计算机科学2018寒假讲习班')
    ('2018-01-09', '计信院前沿学术报告(2018-01-11)')
    ('2018-01-03', '计信院前沿学术报告(2018-01-05)')
    ('2017-12-27', '出国访学（留学）经验交流')
    ('2017-12-27', '计信院前沿学术报告(2017-12-28)')
    ('2017-12-25', '计信院前沿学术报告(2017-12-28)')
    ('2017-12-18', '出国访学（留学）经验交流')
    ('2017-12-18', '西南大学第二届青年学者含弘科技论坛 计算机与信息科学学院分论坛 学术报告（二）')
    ('2017-12-18', '西南大学第二届青年学者含弘科技论坛 计算机与信息科学学院分论坛 学术报告（一）')
    ('2017-12-15', '计信院前沿学术报告(2017-12-28)')
    ('2017-12-15', '出国访学（留学）经验交流')
    ('2017-12-11', '计信院前沿学术报告(2017-12-13)')
    ('2017-11-28', '计信院前沿学术报告(2017-11-28)')
    ('2017-11-22', 'Third Joint Research Workshop')
    ('2017-11-06', '计信院前沿学术报告(2017-11-11)')
    ('2017-11-06', '计信院前沿学术报告(2017-11-10)')
    ('2017-11-06', '计信院前沿学术报告(2017-11-09)')
    ('2017-10-29', '计信院前沿学术报告(2017-10-30)')
    ('2017-10-25', '计信院前沿学术报告(2017-10-31)')
    ('2017-10-19', '计信院前沿学术报告(2017-10-23)')
    ('2017-10-17', '卑尔根-重庆网络化系统暑期学校')
    ('2017-10-12', '首届“西南大学重要学术成果”候选成果系列报告')
    ('2017-09-18', '出国访学（留学）经验交流')
    ('2017-09-14', '计信院前沿学术报告2017-09-15')
    ('2017-09-06', '出国访学（留学）经验交流')
    ('2017-07-05', '出国访学（留学）经验交流')
    ('2017-06-21', '计信院前沿学术报告(2017-06-27)')
    ('2017-06-21', '计信院前沿学术报告(2017-06-26)')
    ('2017-06-12', '计信院出国访学（留学）经验交流')
    ('2017-05-27', '计信院前沿学术报告(2017-06-02)')
    ('2017-05-24', '计信院学术研讨会(2017-05-28)')
    ('2017-05-24', '计信院前沿学术报告(2017-05-26)')
    ('2017-05-03', '西南大学青年学者含弘科技论坛')
    ('2017-04-13', '可信软件系统工程（国际）春季学校')
    ('2017-04-10', '西南大学计信院前沿学术报告')
    ('2017-03-31', '西南大学计信院前沿学术报告')
    ('2017-03-31', '西南大学教师参加国际学术会议专题报告会')
    ('2017-03-29', '西南大学计信院前沿学术报告')
    ('2017-03-29', '西南大学计信院前沿学术报告')
    ('2017-03-29', '西南大学计信院前沿学术报告')
    ('2017-03-28', '出国访学（留学）经验交流')
    ('2017-03-16', '出国访学（留学）经验交流')
    ('2017-03-15', '出国访学（留学）经验交流')
    ('2017-01-10', '西南大学计信院前沿学术报告')
    ('2017-01-05', '学术讲座')
    ('2017-01-04', '西南大学计信院前沿学术报告')
    ('2016-12-20', '理论计算机科学与形式化方法研讨会')
    ('2016-12-20', '西南大学计信院前沿学术报告')
    ('2016-12-14', '西南大学计信院前沿学术报告')
    ('2016-12-12', '西南大学计信院前沿学术报告')
    一共有75条数据！
    
    Process finished with exit code 0

# 从网页中爬取图片 #

eg:从https://maoyan.com/board/4?offset=10中爬取图片，存到位置C:\\Users\\22725\\Desktop\\temp

format 格式控制函数   foramt函数更常见的用法其实是str.format()

示例：

>>>"{} {}".format("hello", "world")    # 不设置指定位置，按默认顺序
    'hello world'
     
    >>> "{0} {1}".format("hello", "world")  # 设置指定位置
    'hello world'
     
    >>> "{1} {0} {1}".format("hello", "world")  # 设置指定位置
    'world hello world'

代码：

import pymysql
    import requests
    from hashlib import md5
    import re
    import os
    
    def get_text(url):
        r = requests.get(url)
        r.raise_for_status()
        r.encoding = r.apparent_encoding
        return r.text
    
    def parse_html(url, list):
        demo = get_text(url)
        # 将正则表达式编译成正则表达式对象，方便复用该正则表达式
        # ".*?" ：匹配任意字符串
        # [\u4e00-\u9fa5] ：匹配中文
        # (\d{
         4}-\d{
        2}-\d{
        2}) : 匹配日期
        patern = re.compile('img\sdata-src="(.*?)"\salt', re.S)
        results = re.findall(patern, demo)
        for result in results:
            list.append(result)
        return list
    
    list = []
    for i in range(0,2):#左闭右开区间[0,2)
        url = 'https://maoyan.com/board/4?offset='+str(10*i)
        list = parse_html(url, list)
    
    count = 0
    for i in list:
        count = count + 1
        print(i)#输出图片链接
    print("一共有"+str(count)+"条数据！")
    
    def download_image(url):#保存图片链接
        r = requests.get(url)
        r.raise_for_status()
        save_image(r.content)
    
    def save_image(content):#下载图片
        file_path = '{0}/{1}.{2}'.format('C:/Users/22725/Desktop/temp', md5(content).hexdigest(), 'jpg')#注意斜杠是/
        #format('文件储存地址'，哈希算法随机生成子文件名称，'文件格式')
        if not os.path.exists(file_path):#os.path.exists(file_path)判断文件是否存在，存在返回1，不存在返回0
            with open(file_path, 'wb') as f:
                f.write(content)
                f.close()
    
    for i in list:
        download_image(i)
    print("下载成功")

输出：

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

C:\Users\22725\PycharmProjects\A\venv\Scripts\python.exe C:/Users/22725/.PyCharmCE2019.1/config/scratches/scratch.py
    https://p1.meituan.net/movie/20803f59291c47e1e116c11963ce019e68711.jpg@160w_220h_1e_1c
    https://p0.meituan.net/movie/283292171619cdfd5b240c8fd093f1eb255670.jpg@160w_220h_1e_1c
    https://p0.meituan.net/movie/289f98ceaa8a0ae737d3dc01cd05ab052213631.jpg@160w_220h_1e_1c
    https://p1.meituan.net/movie/6bea9af4524dfbd0b668eaa7e187c3df767253.jpg@160w_220h_1e_1c
    https://p1.meituan.net/movie/b607fba7513e7f15eab170aac1e1400d878112.jpg@160w_220h_1e_1c
    https://p0.meituan.net/movie/da64660f82b98cdc1b8a3804e69609e041108.jpg@160w_220h_1e_1c
    https://p0.meituan.net/movie/46c29a8b8d8424bdda7715e6fd779c66235684.jpg@160w_220h_1e_1c
    https://p0.meituan.net/movie/223c3e186db3ab4ea3bb14508c709400427933.jpg@160w_220h_1e_1c
    https://p1.meituan.net/movie/ba1ed511668402605ed369350ab779d6319397.jpg@160w_220h_1e_1c
    https://p0.meituan.net/movie/b0d986a8bf89278afbb19f6abaef70f31206570.jpg@160w_220h_1e_1c
    https://p1.meituan.net/movie/18e3191039d5e71562477659301f04aa61905.jpg@160w_220h_1e_1c
    https://p1.meituan.net/movie/14a7b337e8063e3ce05a5993ed80176b74208.jpg@160w_220h_1e_1c
    https://p1.meituan.net/movie/6bc004d57358ee6875faa5e9a1239140128550.jpg@160w_220h_1e_1c
    https://p0.meituan.net/movie/ae7245920d95c03765fe1615f3a1fe3865785.jpg@160w_220h_1e_1c
    https://p1.meituan.net/movie/6a964e9cee699267053bd6a4bf6f2671195394.jpg@160w_220h_1e_1c
    https://p0.meituan.net/movie/43d259ecbcd53e8bbe902632772281d6327525.jpg@160w_220h_1e_1c
    https://p0.meituan.net/movie/2bbaa395c825920fac397706369746e4300686.jpg@160w_220h_1e_1c
    https://p1.meituan.net/movie/ad974d3527879f00be2eec29135118163728582.jpg@160w_220h_1e_1c
    https://p0.meituan.net/movie/932bdfbef5be3543e6b136246aeb99b8123736.jpg@160w_220h_1e_1c
    https://p1.meituan.net/movie/aacb9ed2a6601bfe515ef0970add1715623792.jpg@160w_220h_1e_1c
    一共有20条数据！
    下载成功
    
    Process finished with exit code 0

![1468919-20190707111818640-788483407.png][]

转载于:https://www.cnblogs.com/-citywall123/p/11145712.html

[http_computer.swu.edu.cn_s_computer_kxyj2xsky]: http://computer.swu.edu.cn/s/computer/kxyj2xsky/
[ContractedBlock.gif]: https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif
[ExpandedBlockStart.gif]: /images/20211210/c6b80faa806b41d088c764e3357a8539.png
[1468919-20190707111818640-788483407.png]: /images/20211210/a87fb900f188420290e25bc921ae6081.png