寫爬蟲時候記錄的一些記錄和框架

爬蟲**獲取url狀態碼基本框架：

import requests
defgethtmltext
(url)
:try
:           r=requests.get(url,timeout=30)
r.raise_for_status(
)#如果狀態碼不是200，引發httperror異常
return r.text
except
:return
"產生異常"
)二進位制檔案儲存的基本路徑框架：
import requests
import os
url=
"***xx"
root=
"d://pics//"
path=root+url.split(
'/')[-
1]try:
ifnot os.path.exists(root)
:         os.mkdir(root)
ifnot os.path.exists(path)
:         r=requests.get(url)
with
open
( path,
'wb'
)as f:
f.write(r.content)
f.close(
)print
("檔案儲存成功"
)else
:print
("檔案已存在"
)except
:print
("檔案儲存失敗"
)       寫入空檔案：
f_path=r'c:\users\lph\desktop\my.txt'
with
open
(f_path,
'w')
as f:
f.write(
'i love programming!'
)

實參『w』告訴python以寫入模式開啟檔案。開啟檔案時，可以指定讀取方式（『r』:讀取『w』：寫入『a』附加『r+』讀取和寫入）預設為唯讀模式。

若寫入的檔案不存在，函式open()將自動建立。以寫入模式開啟檔案時，注意如果檔案已存在，python將在返回檔案物件前清空檔案。若不想清空，可以以追加的方式建立。python只將字串寫入文字檔案。要將數值資料儲存到文字檔案中，必須先使用函式str()將其轉換為字串格式。讀出的也是字串.

關於ip的爬取和使用，**ip的使用在urllib和request兩個庫中規則也有一些不同，因此使用時應當加以辨別，**ip的使用方式多種，可以爬取國內**ip**，也可以爬取埠等（目前不熟悉），但是**ip爬取後最好進行驗證，否則在使用過程中可能出現無效的情況。

txt文字的使用與二進位制檔案有一些不用，』a』和』w』都為寫入，但是』a』不會覆蓋掉原本已經存在的資訊。這一點非常重要。

當我們開啟txt檔案時，比如ips=open(path,』r』),ip=ips.readlins()這時候獲得的是乙個列表，而若該列表是以readlines讀取的，在讀取時將會包含換行符，這將會影響讀取資訊操作，可用for迴圈遍歷並用strip()函式將換行符去掉。

url構造迴圈簡化版：start_url=[『 for i in range(1,20)]

從列表中隨機抽取乙個元素的方法，首先引入

from random import choice, s=choice(列表)即可

python中的字典和json有一些不同，字典為單引號，簡單來說js是一種儲存資料的格式

另外requests構造中資料請求為params，輸入錯誤無法進行。

正規表示式庫是python中自帶的，能夠隨時呼叫，而beautifulsoup和xpath庫則是第三方庫，通過學習爬蟲，反而我對於解釋型語言以及html文字編輯有了比較初步的認識。

所謂網路爬蟲，大部分是通過解釋html格式中所包含的鏈結，文字，從而獲取相應資訊的技術。

beautifulsoup庫，我個人使用的話我認為是比較全面的乙個解析方式，解析html比較全面，但是邏輯不夠清晰，搜尋資訊方式比較廣泛，而且xpath，比較注重邏輯，比如逐行逐個遍歷節點，速度較快。

正規表示式庫我認為相比於上述兩個庫最大的優點是，能夠運用自定義格式獲取自己想要的資訊，非常靈活.

寫爬蟲時候記錄的一些記錄和框架

關於爬蟲的一些記錄

記錄一些爬蟲的小細節

記錄一些WPF

寫爬蟲時候記錄的一些記錄和框架

關於爬蟲的一些記錄

記錄一些爬蟲的小細節

記錄一些WPF

相關推薦