现在Python无疑是最受欢迎的计算机语言,它被形容为“优雅”、“明确”、“简单”。那么,我们是不是可以用Python来爬取网络数据呢?当然是可以的,下面我们就以简书为例来演示一下Python爬取网络数据的代码。
import re
import urllib
def getHtml(url):
page = urllib.urlopen(url)
html = page.read()
return html
html = getHtml("http://www.jianshu.com/")
reg = '<a target="_blank" href="(.*?)">(.*?)</a>[\n][\s]*'
reg += '<p>[\n](.*)[\n][\s]*'
reg += '</p>[\n][\s]*<div>[\n][\s]*'
reg += '<a target="_blank" href="/c/.*?">(.*?)</a>[\n][\s]*'
reg += '<a target="_blank" href="/p/.*?">[\n][\s]*'
reg += '<i class="iconfont ic-list-read"></i> (.*)[\n]'
reg += '</a>[\s]*<a target="_blank" href="/p/.*?">[\n][\s]*'
reg += '<i class="iconfont ic-list-comments"></i> (.*)[\n]'
reg += '</a>[\s]*<span><i class="iconfont ic-list-like"></i> (.*)</span>[\n][\s]*'
reg += '<span><i class="iconfont ic-list-money"></i> (.*)</span>'
#当正则表达式过长时,我们选取这种方式将其分割
page = re.compile(reg)
artlist = re.findall(page,html)
for arts in artlist: #arts中包含了文件名,链接部分,阅读量等等
for art in arts:
if art.startswith("/p/"): #获取链接
print "http://www.jianshu.com" + art
else:
print art
这次正则表达式的内容有:
1) \s(小写s)匹配任意的空白符,当有多个空白时,用[\s]*
2) ? 涉及到贪婪模式,我们把.*称为贪婪匹配,把.*?称为非贪婪匹配(懒惰匹配)
贪婪匹配是匹配尽可能多的字符,比如正则表达式为a.*b,用它来匹配字符串abbab,结果就是字符串abbab。
非贪婪匹配是匹配尽可能少的字符,比如表达式为a.*?b,用它匹配字符串abbab,结果是“abb”和“ab”。
所以在上面例子中,当有数字字符串(如“1111”)时,就不要用非贪婪匹配了。
注意,以上代码虽然能顺利地爬取网络数据,但是由于需要大量登录,所以对于账号的的需求是很大的。而且,在自动登陆的同时,我们的IP也会变得很容易被封。
所以,在准备用Python爬取网络数据之前,还应该准备好大量的登录账户和IP。
账户可以在某宝上很容易买到,IP地址我更推荐使用IP代理,现在的HTTP代理价格已经远低于web服务器费用,完全是可以接受的。
万变软件的IP代理服务一直广受好评,是值得一试的。
相关文章内容简介
1 免费代理IP能用于爬虫吗
免费代理IP能用于爬虫吗?免费代理IP就是不需要花钱,在网络上可以直接提取,然后用来替换IP。并不是所有项目都能用免费代理IP的,例如爬虫就不可以。 免费代理IP的来源比较杂,很多没有用,使用时间短,匿名程度也参差不齐,其中有一些是高度匿名的,但数量有限,也很难挑选。而爬虫工作需要的IP,要求比较高,因为爬虫IP一旦质量不高就会被对方网站发现,被禁止抓取数据,无法完成工作。所以,免费代理IP是不适合爬虫的。但如果免费代理IP的匿名程度够的话,使用效率低,也是符合使用需求的。 爬虫大家都知道,是采集数据的方式。通过采集来的数据分析,可以获取有价值的信息。而代理IP是换IP最方便的工具,爬虫工作是要用代理IP的。 爬虫对被爬的网站来说是毫无利益的,反而会影响到服务器的工作,所以现在都设有反爬程序,IP限制是最基本的。爬虫工作的时候,如果速度快,用同一个IP会有访问的问题,这时网络就会有验证或者直接封锁IP,给爬虫工作带来了很大的困难。 ... [阅读全文]
2 发帖用代理IP有什么好处?
发帖用代理IP有什么好处?发帖是网络营销的主要途径,在发帖的时候,很多时候都要用到代理IP,这并不奇怪,代理IP给网络营销人员带来了很大的便利。那么,发帖用代理IP有什么好处? 贴吧大家都不陌生,很多人在贴吧交流,一般同一个IP只能发布有限的帖子,评论也是有限制的。如果想大量发帖,就需要用代理IP来解决了。有很多热帖有的是真实评论,有的可能需要代理IP来帮忙,用代理IP去访问网站,用户不会被网站监视限制,或者被封锁了。 随着网络的发展,网络营销是很多公司必须要做的,其中网络影响最重要的途径就是发帖。很多发帖的工作人员都在使用代理IP,但还有很多人并不了解。那么,营销发帖一定要用代理IP吗? 例如贴吧、微博等平台,这些平台发帖可以与其他网友进行交流,起到宣传的作用。但一个IP发帖的数量是有限的,如果想大量发帖,就需要代理IP的帮助。更换IP后,就可以伪装成一个全新的用户,自然不会被平台限制。还有网络营销最常见的问答方式,也需要更换IP后进行自问... [阅读全文]
推荐阅读
26
2020-02
电子邮件发送之独享IP
HTTP协议使用的不止一个,现在大多数网站也都是HTT国内 IP代理 P,更多的是在IP网站中提供 HTTP代理 ,因此,如果要使用HTTP 代理IP ,应该去哪里找到它?
15
2021-01
什么是一键更换代理ip软件
网络更换ip是十分普遍的一个操作,现在很多的网络营销和其他的网络工作都会使用到代理ip软件,因为更改ip软件能够对问你们的工作起到一定的效果。
30
2020-12
代理服务器ip会设定较大的缓冲
演示 代理服务器 ip 服务器的功能!Agent服务器是一种特殊的网络服务,是计算机上运行的专用计算机或软件系统。计算机系统或其他类型的提供代理服务器ip服务的网络终端被称为代理服务器ip
15
2020-06
自媒体运营中代理ip的作用是什么?
互联网时代的来临,许多新兴职业应运而生。最近几年大行其道的热门职业非自媒体运营莫属。微博、抖音、今日头条、哔哩哔哩等社交网络平台,给很多非专业却想要从事媒体工作的人一个机
02
2021-04
IP免费代理给用户带来的安全隐患
网络经济的发展,使得使用动态IP代理的人越来越累。许多人使用免费的IP代理,但是很不方便。如今,万变爬虫代理告诉你IP免费代理给用户带来的安全隐患。
11
2020-09
如何提高自媒体文章阅读量?
在这个互联网时代,销售推广是必不可少的,很多网站平台会做一些大力的宣传推广,如何选择自己的平台及产品,很多人会选择在一些较大的公共平台发一些东西选择自己的东西,所以发表的
热门文章
因为专业! 所以简单! 产品至上,价格实惠 是我们服务追求的宗旨
免费试用