Osheep

时光不回头,当下最重要。

Python爬虫系列(一)初期学习爬虫的拾遗与总结(4.29更)


最近,为了提取裁判文书网的有关信息,自己迈入Python的学习之路,写了快两周的代码,自己写这篇文章总结下踩过的坑,还有遇到一些好的资料和博客等总结下(站在巨人肩膀上,减少重复工作),以便自己后期复习和参考和、分享给大家交流学习,也欢迎大家补充些精彩内容。

一、环境搭建和工具准备

1、为了省去时间投入学习,推荐直接安装集成环境 Anaconda

2、IDE:Pycharm、Pydev

3、工具:Jupyter Notebook(安装完Anaconda会有的)

二、Python基础视频教程

1、疯狂的Python:快速入门精讲(Python2.x,可体验到与Python3.x的差异)

2、零基础入门学习Python(小甲鱼的视频课程)

看完这些课程,自己对Python有一个感觉和掌握,可以继续看一些进阶教程

3、Python3大全(pasword:bf3e)(ps:如果连接失效大家可以留下百度云账号)

三、Python爬虫视频教程

1、Python网络爬虫实战(完整的看下来,收获不小)

2、Python3爬虫三大案例实战分享(非常好的课程,很多干货)

四、Python爬虫的相关连接

1、python爬虫的最佳实践

2、Python网络爬虫实战项目代码大全

3、零基础制作一个Python 爬虫

4、Python爬虫入门

5、Python3(csdn博客)

7、抓取斗鱼tv的房间信息

五、正则表达式和BeautifulSoup、PhatomJS +Selenium、urllib的使用

正则表达式


1、Python爬虫小白入门

2、 Python 正则表达式 re 模块简明笔记

3、Python爬虫入门(7):正则表达式

PhatomJS +Selenium


1、【Python 笔记】selenium 简介

2、Selenium Webdriver定位页面元素的几种方式

3、 Python爬虫利器Selenium+PhantomJS系列入门

4、轻松自动化—selenium-webdriver(python)(ps:系列教程)

5、selenium2.0关于python的常用函数(一)(ps:定位元素的方法)

BeautifulSoup和Xpath


1、Python爬虫入门(8):Beautiful Soup的用法

2、Python爬虫利器三之Xpath语法与lxml库的用法

(大家可以关注写这些文章的作者,一般他们有Python文集,大家可以收藏下有参考价值的文章)

urllib


1、Python之urlparse模块(ps:解析图片的src地址很有用)
2、Python urllib模块urlopen()与urlretrieve()详解(‘下载文件很有用’)

六、自己爬取新浪新闻相关信息的实战

《Python爬虫系列(一)初期学习爬虫的拾遗与总结(4.29更)》

爬取页面

我直接把源码贴在这里了,是参考Python网络爬虫实战课程做下来的

新闻评论数抽取函数

import re

import json

import requests

#js抓取新闻评论信息

commentURL=’http://comment5.news.sina.com.cn/page/info?version=1&format=js&\

channel=gn&newsid=comos-{}&\

group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20&jsvar=loader_1491395188566_53913700′

def getCommentCounts(newsurl):

#获取新闻id

m=re.search(‘doc-i(.+).shtml’,newsurl)

newsid=m.group(1)

#根据新闻id获取评论信息

comments=requests.get(commentURL.format(newsid))

#将信息解析为json格式

jd=json.loads(comments.text.strip(‘var loader_1491395188566_53913 700=’))

return jd[‘result’][‘count’][‘total’]


《Python爬虫系列(一)初期学习爬虫的拾遗与总结(4.29更)》

新闻内文信息抽取函数

import requests

from datetime import datetime

from bs4 import BeautifulSoup

def getNewsDetail(newsurl):

result={}

res=requests.get(newsurl)

res.encoding=’utf-8′

soup=BeautifulSoup(res.text,’html.parser’)

result[‘title’]=soup.select(‘#artibodyTitle’)

timesource=soup.select(‘.time-source’)[0].contents[0].strip()

result[‘dt’]=datetime.strptime(timesource,’%Y年%m月%d日%H:%M’)

result[‘source’]=soup.select(‘.time-source span a’)[0].text

result[‘article’]=’ ‘.join([p.text.strip() for p in soup.select(‘#artibody p’)[:-1]])

result[‘editor’]=soup.select(‘.article-editor’)[0].text.lstrip(‘责任编辑:’)

return result

《Python爬虫系列(一)初期学习爬虫的拾遗与总结(4.29更)》

七、感想

这些天学习下来,Python爬虫思路和套路很明确,主要是我们要对不同网站(反爬等)设计不同爬取路线和方法,但是还是要求自己总结方法和积累知识吧,还有一点自己也希望能把爬虫运用到实际生活或者应用中(如果单纯的抽取一个网页信息其实没多大意思),比如尝试应用到批量下载一个网站的图片或者文件等等,让爬虫为我们服务。


(ps:自己会持续更新和补充内容,也换大家留言补充)

点赞