本篇文章给大家谈谈爬取网页源码,以及爬取网页的通用代码框架对应的知识点,希望对各位有所帮助,不要忘了收藏本站喔。
本文目录一览:
- 1、python爬虫怎么获取动态的网页源码
- 2、如何用用网络爬虫代码爬取任意网站的任意一段文字?
- 3、python怎么爬取网页源代码
- 4、爬虫,爬取的网页源码为啥中间一部分缺失?
- 5、用爬虫抓取网页得到的源代码和浏览器中看到的不一样运用了什么技术?
python爬虫怎么获取动态的网页源码
一个月前实习导师布置任务说通过网络爬虫获取深圳市气象局发布的降雨数据,网页如下:
心想,爬虫不太难的,当年跟zjb爬煎蛋网无(mei)聊(zi)图的时候,多么清高。由于接受任务后的一个月考试加作业一大堆,导师也不催,自己也不急。
但是,导师等我一个月都得让我来写意味着这东西得有多难吧。。。今天打开一看的确是这样。网站是基于Ajax写的,数据动态获取,所以无法通过下载源代码然后解析获得。
从某不良少年写的抓取淘宝mm的例子中收到启发,对于这样的情况,一般可以同构自己搭建浏览器实现。phantomJs,CasperJS都是不错的选择。
导师的要求是获取过去一年内深圳每个区每个站点每小时的降雨量,执行该操作需要通过如上图中的历史查询实现,即通过一个时间来查询,而这个时间存放在一个hidden类型的input标签里,当然可以通过js语句将其改为text类型,然后执行send_keys之类的操作。然而,我失败了。时间可以修改设置,可是结果如下图。
为此,仅抓取实时数据。选取python的selenium,模拟搭建浏览器,模拟人为的点击等操作实现数据生成和获取。selenium的一大优点就是能获取网页渲染后的源代码,即执行操作后的源代码。普通的通过 url解析网页的方式只能获取给定的数据,不能实现与用户之间的交互。selenium通过获取渲染后的网页源码,并通过丰富的查找工具,个人认为最好用的就是find_element_by_xpath("xxx"),通过该方式查找到元素后可执行点击、输入等事件,进而向服务器发出请求,获取所需的数据。
[python] view plain copy
# coding=utf-8
from testString import *
from selenium import webdriver
import string
import os
from selenium.webdriver.common.keys import Keys
import time
import sys
default_encoding = 'utf-8'
if sys.getdefaultencoding() != default_encoding:
reload(sys)
sys.setdefaultencoding(default_encoding)
district_navs = ['nav2','nav1','nav3','nav4','nav5','nav6','nav7','nav8','nav9','nav10']
district_names = ['福田区','罗湖区','南山区','盐田区','宝安区','龙岗区','光明新区','坪山新区','龙华新区','大鹏新区']
flag = 1
while (flag 0):
driver = webdriver.Chrome()
driver.get("hianCe/")
# 选择降雨量
driver.find_element_by_xpath("//span[@id='fenqu_H24R']").click()
filename = time.strftime("%Y%m%d%H%M", time.localtime(time.time())) + '.txt'
#创建文件
output_file = open(filename, 'w')
# 选择行政区
for i in range(len(district_navs)):
driver.find_element_by_xpath("//div[@id='" + district_navs[i] + "']").click()
# print driver.page_source
timeElem = driver.find_element_by_id("time_shikuang")
#输出时间和站点名
output_file.write(timeElem.text + ',')
output_file.write(district_names[i] + ',')
elems = driver.find_elements_by_xpath("//span[@onmouseover='javscript:changeTextOver(this)']")
#输出每个站点的数据,格式为:站点名,一小时降雨量,当日累积降雨量
for elem in elems:
output_file.write(AMonitorRecord(elem.get_attribute("title")) + ',')
output_file.write('\n')
output_file.close()
driver.close()
time.sleep(3600)
文件中引用的文件testString只是修改输出格式,提取有效数据。
[python] view plain copy
#Encoding=utf-8
def OnlyCharNum(s, oth=''):
s2 = s.lower()
fomart = 'abcdefghijklmnopqrstuvwxyz0123456789,.'
for c in s2:
if not c in fomart:
s = s.replace(c, '')
return s
def AMonitorRecord(str):
str = str.split(":")
return str[0] + "," + OnlyCharNum(str[1])
一小时抓取一次数据,结果如下:
如何用用网络爬虫代码爬取任意网站的任意一段文字?
网络爬虫是一种自动化的程序,可以自动地访问网站并抓取网页内容。要用网络爬虫代码爬取任意网站的任意一段文字,可以按照如下步骤进行:
准备工作:需要了解目标网站的结构,以及想要爬取的文字所在的网页的URL。此外,还需要选择一种编程语言,如Python、Java、C++等,一般建议用PYTHON,因为有完善的工具库,并准备好相应的编程环境。
确定目标:通过研究目标网站的结构,确定想要爬取的文字所在的网页的URL。
获取网页源代码:使用编程语言的相应库(如Python的urllib库),访问目标网页的URL,获取网页的源代码。
解析网页源代码:使用编程语言的相应库(如Python的BeautifulSoup库),解析网页源代码,找到想要爬取的文字所在的HTML标签。
提取文字:获取HTML标签的文本内容,即为所要爬取的文字。
保存结果:将爬取的文字保存到文件中或数据库中,以便后续使用。
python怎么爬取网页源代码
#!/usr/bin/env python3
#-*- coding=utf-8 -*-
import urllib3
if __name__ == '__main__':
http=urllib3.PoolManager()
r=http.request('GET','IP')
print(r.data.decode("gbk"))
可以正常抓取。需要安装urllib3,py版本3.43
爬虫,爬取的网页源码为啥中间一部分缺失?
缺失部分是动态加载的,基本上是由ajax异步获取。你需要F12打开开发者模式找到这个函数或者直接找请求记录,自己再去模拟这个请求数据。
用爬虫抓取网页得到的源代码和浏览器中看到的不一样运用了什么技术?
有可能是因为网页采用了动态网页技术,如AJAX、JavaScript等,导致浏览器中看到的网页内容与通过爬虫抓取的网页源代码不同。
动态网页技术可以使网页在加载后通过JavaScript代码动态地修改或添加页面内容,而这些修改和添加的内容是在浏览器中执行的,而不是在服务器端。因此,如果使用传统的爬虫工具,只能获取到最初加载的网页源代码,而无法获取动态生成的内容。
解决这个问题的方法是使用支持JavaScript渲染的爬虫工具,例如Selenium和Puppeteer。这些工具可以模拟浏览器行为,实现动态网页的加载和渲染,从而获取完整的网页内容。
另外,有些网站也可能采用反爬虫技术,例如IP封禁、验证码、限制访问频率等,这些技术也可能导致爬虫抓取的网页源代码与浏览器中看到的不一样。针对这些反爬虫技术,需要使用相应的反反爬虫策略。
关于爬取网页源码和爬取网页的通用代码框架的介绍到此就结束了,不知道你从中找到你需要的信息了吗 ?如果你还想了解更多这方面的信息,记得收藏关注本站。
温馨提示
2. 分享目的仅供大家学习和交流,您必须在下载后24小时内删除!
3. 不得使用于非法商业用途,不得违反国家法律。否则后果自负!
4. 本站提供的源码、模板、插件等等其他资源,都不包含技术服务请大家谅解!
5. 如有链接无法下载、失效或广告,请后台提交工单处理!
6. 本站资源售价只是赞助,收取费用仅维持本站的日常运营所需!
7. 如遇到加密压缩包,请使用WINRAR解压,如遇到无法解压的请后台提交工单!
【免责声明】:
本站所发布的一切资源仅限用于学习和研究目的;不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负。本站信息来自网络,版权争议与本站无关。您必须在下载后的24个小时之内,从您的电脑中彻底删除上述内容。如果您喜欢该程序,请支持正版软件,购买注册,得到更好的正版服务。
【关于转载】:
本站尊重互联网版权体系,本站部分图片、文章大部分转载于互联网、所有内容不代表本站观点、不对文章中的任何观点负责、转载的目的只用于给网民提供信息阅读,无任何商业用途,所有内容版权归原作者所有
如本站(文章、内容、图片、视频)任何资料有侵权,先说声抱歉;麻烦您请联系请后台提交工单,我们会立即删除、维护您的权益。非常感谢您的理解。
【附】:
二○○二年一月一日《计算机软件保护条例》第十七条规定:为了学习和研究软件内含的设计思想和原理,通过安装、显示、传输或者存储软件等方式使用软件的,可以不经软件著作权人许可,不向其支付报酬!鉴于此,也希望大家按此说明研究软件!
注:本站资源来自网络转载,版权归原作者和公司所有,如果有侵犯到您的权益,请第一时间联系我们处理!
-----------------------------------------------------------------------------------------------------------
【版权声明】:
一、本站致力于为源码爱好者提供国内外软件开发技术和软件共享,着力为用户提供优资资源。
二、本站提供的源码下载文件为网络共享资源,请于下载后的24小时内删除。如需体验更多乐趣,还请支持正版。
三、如有内容侵犯您的版权或其他利益的,请编辑邮件并加以说明发送到站长邮箱。站长会进行审查之后,情况属实的会在三个工作日内为您删除。
-----------------------------------------------------------------------------------------------------------
源码村资源网 » 爬取网页源码(爬取网页的通用代码框架)