侯体宗的博客
  • 首页
  • 人生(杂谈)
  • 技术
  • 关于我
  • 更多分类
    • 文件下载
    • 文字修仙
    • 中国象棋ai
    • 群聊
    • 九宫格抽奖
    • 拼图
    • 消消乐
    • 相册

Python爬虫包BeautifulSoup学习实例(五)

Python  /  管理员 发布于 7年前   212

本文为大家分享了Python爬虫包BeautifulSoup学习实例,具体内容如下

BeautifulSoup

使用BeautifulSoup抓取豆瓣电影的一些信息。

# -*- coding: utf-8 -*-# @Author: HaonanWu# @Date:  2016-12-24 16:18:01# @Last Modified by:  HaonanWu# @Last Modified time: 2016-12-24 17:25:33import urllib2import jsonfrom bs4 import BeautifulSoupdef nowplaying_movies(url):  user_agent = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'  headers = {'User-Agent':user_agent}  request = urllib2.Request(url = url, headers = headers)  response = urllib2.urlopen(request)  soup_packetpage = BeautifulSoup(response, 'lxml')  items = soup_packetpage.findAll("li", class_="list-item")  # items = soup_packetpage.findAll("li", {"class" : "list-item"}) 等价写法  movies = []  for item in items:    if item.attrs['data-category'] == 'nowplaying':      movie = {}      movie['title'] = item.attrs['data-title']      movie['score'] = item.attrs['data-score']      movie['director'] = item.attrs['data-director']      movie['actors'] = item.attrs['data-actors']      movies.append(movie)      print('%(title)s|%(score)s|%(director)s|%(actors)s' % movie)  return moviesif __name__ == '__main__':  url = 'https://movie.douban.com/nowplaying/beijing/'  movies = nowplaying_movies(url)  print('%s' % json.dumps(movies, sort_keys=True, indent=4, separators=(',', ': ')))

HTMLParser

使用HTMLParser实现上述功能

这里有一些HTMLParser的基础教程

由于HtmlParser自2006年以后就再没更新,目前很多人推荐使用jsoup代替它。

# -*- coding: utf-8 -*-# @Author: HaonanWu# @Date:  2016-12-24 15:57:54# @Last Modified by:  HaonanWu# @Last Modified time: 2016-12-24 17:03:27from HTMLParser import HTMLParserimport urllib2import jsonclass MovieParser(HTMLParser):  def __init__(self):    HTMLParser.__init__(self)    self.movies = []  def handle_starttag(self, tag, attrs):    def _attr(attrlist, attrname):      for attr in attrlist:        if attr[0] == attrname:          return attr[1]      return None    if tag == 'li' and _attr(attrs, 'data-title') and _attr(attrs, 'data-category') == 'nowplaying':      movie = {}      movie['title'] = _attr(attrs, 'data-title')      movie['score'] = _attr(attrs, 'data-score')      movie['director'] = _attr(attrs, 'data-director')      movie['actors'] = _attr(attrs, 'data-actors')      self.movies.append(movie)      print('%(title)s|%(score)s|%(director)s|%(actors)s' % movie)def nowplaying_movies(url):  headers = {'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'}    req = urllib2.Request(url, headers=headers)  s = urllib2.urlopen(req)  parser = MovieParser()  parser.feed(s.read())  s.close()  return parser.moviesif __name__ == '__main__':  url = 'https://movie.douban.com/nowplaying/beijing/'  movies = nowplaying_movies(url)  print('%s' % json.dumps(movies, sort_keys=True, indent=4, separators=(',', ': ')))

以上全部为本篇文章的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。


  • 上一条:
    详解python3中zipfile模块用法
    下一条:
    Python爬虫包BeautifulSoup实例(三)
  • 昵称:

    邮箱:

    0条评论 (评论内容有缓存机制,请悉知!)
    最新最热
    • 分类目录
    • 人生(杂谈)
    • 技术
    • linux
    • Java
    • php
    • 框架(架构)
    • 前端
    • ThinkPHP
    • 数据库
    • 微信(小程序)
    • Laravel
    • Redis
    • Docker
    • Go
    • swoole
    • Windows
    • Python
    • 苹果(mac/ios)
    • 相关文章
    • 在python语言中Flask框架的学习及简单功能示例(0个评论)
    • 在Python语言中实现GUI全屏倒计时代码示例(0个评论)
    • Python + zipfile库实现zip文件解压自动化脚本示例(0个评论)
    • python爬虫BeautifulSoup快速抓取网站图片(1个评论)
    • vscode 配置 python3开发环境的方法(0个评论)
    • 近期文章
    • 在windows10中升级go版本至1.24后LiteIDE的Ctrl+左击无法跳转问题解决方案(0个评论)
    • 智能合约Solidity学习CryptoZombie第四课:僵尸作战系统(0个评论)
    • 智能合约Solidity学习CryptoZombie第三课:组建僵尸军队(高级Solidity理论)(0个评论)
    • 智能合约Solidity学习CryptoZombie第二课:让你的僵尸猎食(0个评论)
    • 智能合约Solidity学习CryptoZombie第一课:生成一只你的僵尸(0个评论)
    • 在go中实现一个常用的先进先出的缓存淘汰算法示例代码(0个评论)
    • 在go+gin中使用"github.com/skip2/go-qrcode"实现url转二维码功能(0个评论)
    • 在go语言中使用api.geonames.org接口实现根据国际邮政编码获取地址信息功能(1个评论)
    • 在go语言中使用github.com/signintech/gopdf实现生成pdf分页文件功能(95个评论)
    • gmail发邮件报错:534 5.7.9 Application-specific password required...解决方案(0个评论)
    • 近期评论
    • 122 在

      学历:一种延缓就业设计,生活需求下的权衡之选中评论 工作几年后,报名考研了,到现在还没认真学习备考,迷茫中。作为一名北漂互联网打工人..
    • 123 在

      Clash for Windows作者删库跑路了,github已404中评论 按理说只要你在国内,所有的流量进出都在监控范围内,不管你怎么隐藏也没用,想搞你分..
    • 原梓番博客 在

      在Laravel框架中使用模型Model分表最简单的方法中评论 好久好久都没看友情链接申请了,今天刚看,已经添加。..
    • 博主 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 @1111老铁这个不行了,可以看看近期评论的其他文章..
    • 1111 在

      佛跳墙vpn软件不会用?上不了网?佛跳墙vpn常见问题以及解决办法中评论 网站不能打开,博主百忙中能否发个APP下载链接,佛跳墙或极光..
    • 2016-10
    • 2016-11
    • 2018-04
    • 2020-03
    • 2020-04
    • 2020-05
    • 2020-06
    • 2022-01
    • 2023-07
    • 2023-10
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客