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
01
2020-06
使用代理IP认识上的误区
代理IP作为当下流行的一种网络工具,越来越受用户的亲睐。它不但可以帮助爬虫用户爬取数据,还对营销推广起到十分重要的作用,使用的范围相当广泛。但在用户日常的使用中,往往会对代
09
2021-03
HTTP代理和socks5代理服务器区别在哪边?
许多朋友不能区分HTTP代理IP和socks5代理IP,甚至一些刚接触该代理的用户也不了解HTTP代理IP是否可以作为socks5代理IP进行互操作。在这里给大家分析一下IPIDEA全球IP,看看下面的介绍。
23
2020-06
网络隐私保护盾—代理IP
互联网的出现,人们在工作、生活、学习方面方便了很多。利用互联网录入整理信息提高工作效率,使用社交软件线下交友,在网络上学习新技能。互联网作为新兴技术,在提供方便的同时也带
02
2020-06
使用代理IP是网络必然
如今,人们上网越来越依赖代理IP,代理IP使用的范围也在逐渐扩大。对于网络这个巨大的虚拟空间,人们同样希望在其中的规则和现实中一样,因此也希望自己的个人隐私在网络上能得到最大
09
2020-07
代理IP的选择
互联网从诞生至今,发展可以是非常快了,技术更新快的同时,也要求着人们能够跟上步伐,为工作和生活制造更多的可能性。互联网是各类信息的集聚地,不是有句话叫做“有问题,找度娘”
11
2020-12
什么是socks代理?
SOCKS代理,全能代理,就像有很多跳线的转接板,它只是简单地将一端的系统连接到另外一端。支持多种协议,包括http、ftp请求及其它类型的请求。它分socks 4 和socks 5两种类型,socks 4只支持TCP
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