|
|
来源：http://www.jianshu.com/p/c4f35dfe1a1f
（一）一台MAC电脑（二）Python环境搭建(所有命令都是在terminal中输入的)（三）分析目的：找出三个内容所在的网页标签的位置，然后将它们提取出来。
网址：http://wufazhuce.com/one/1293
谷歌浏览器，右键->显示网页源代码，然后就会弹出一堆HTML的东西了。这样的：
网页源文件
我想要的内容是这段话：“即使热恋者的情感是错觉、幻象或自恋行为，那又何妨，所谓人生就是一段不断追求情爱的路程。 by 森山大道”。它在图中画红线的地方。在<heda>标签里的<meta>中，之后会用到，先往下看。
图片的链接在哪里？显然不在<head>中，往下找，然后就在<body>中，发现2处和图片类似的链接。看图
图片链接地址
哪个链接是呢，点击去，发现后一个链接，也就是67行这个img标签的链接是。
然后，我还想知道哪一天的图和文字。嗯，在回到<head>标签里，很明显有个<title>，里面的东西就是我们要的。这样：
<title>VOL.1271 - 「ONE · 一个」</title>
（四）python编码想要抓取网页上的内容，又不想自己去解析HTML，只好求助万能的Google了。然后就找到了上面的链接。主要有两个工具：request加载网页，BeautifulSoup4解析HTML。
首先，抓取我们需要的哪三个内容：
进入python环境，然后敲入下面的代码：
import requestsimport bs4response = requests.get('http://wufazhuce.com/one/1295')soup = bs4.BeautifulSoup(response.text,"html.parser")这样，就可以将网页信息存储到soup中了。你可以敲入print soup试试。
接下来，我们获得<title>VOL.1271 - 「ONE · 一个」</title>中的数字1271。怎么获得呢，beautifulsoup4教程，提供了很好的方法，可以通过tag查找得到title的内容，然后截取字符串。termianl中输入：
soup.title.string[3:7]title是tag值，string是tag=title的字符串的值，也就是<title></title>之间的值，因为只有一个<title>tag，所以不用做判断，直接获取即可。
接下来，获取一段话。
要截取的内容
这段话在<meta>中，而这里又有太多的<meta>了，怎么办。这里要用到select方法了，它可以查找所有的<meta>，并返回一个列表。还要用到get方法，get可以获得tag的属性，如tag: <meta attr='abc'> tag.get('attr')值等于abc。这里我们要获取的属性是name，通过name='description'来区分。
for meta in soup.select('meta'): if meta.get('name') == 'description': print meta.get('content')接下来，在两个img标签中，查找第2个img标签标定的链接。这里通过find_all方法，它可以查找所有的符合要求的标签。
soup.find_all('img')[1]['src']这样，我们就把所需要的信息找出来了。
终端示例
等等，之后我们还需要并发和保存文件。在此之前，先来看点别的。map函数有两个参数，一个是函数，一个是序列。将序列的每个值，作为参数传递给函数，返回一个列表。参考这里
示例：
def echoInfo(num): return numdata = map(echoInfo, range(0,10))print data结果： [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
然后并发, python可以跨平台使用，自身提供了多进程支持模块：multiprocessing。而pool可以用来创建大量的子进程。
保存数据到文件。这里我们是吧数据解析后存储到字典中，然后序列化为JSON模型，最后保存到文件的。
即：字典->JSON模型->存储到文件。
字典->JSON模型，使用的是JSON模块的json.dumps方法，该方法有一个参数，参数为字典，返回值是JSON字符串。
JSON模型->文件，使用的是json.load方法，可以将JSON存储到文件中。
全部的代码示例如下：
import argparseimport refrom multiprocessing import Poolimport requestsimport bs4import timeimport jsonimport ioroot_url = 'http://wufazhuce.com'def get_url(num): return root_url + '/one/' + str(num)def get_urls(num): urls = map(get_url, range(100,100+num)) return urlsdef get_data(url): dataList = {} response = requests.get(url) if response.status_code != 200: return {'noValue': 'noValue'} soup = bs4.BeautifulSoup(response.text,"html.parser") dataList["index"] = soup.title.string[4:7] for meta in soup.select('meta'): if meta.get('name') == 'description': dataList["content"] = meta.get('content') dataList["imgUrl"] = soup.find_all('img')[1]['src'] return dataListif __name__=='__main__': pool = Pool(4) dataList = [] urls = get_urls(10) start = time.time() dataList = pool.map(get_data, urls) end = time.time() print 'use: %.2f s' % (end - start) jsonData = json.dumps({'data':dataList}) with open('data.txt', 'w') as outfile: json.dump(jsonData, outfile)
|
|
/1 
发表于 2016-6-23 15:49:21
提升卡
置顶卡
沉默卡
变色卡
