纯粹干货，Python爬虫的数据采集和分析方法
off999 2024-12-16 15:20 35 浏览 0 评论
爬虫的基本工作步骤在之前已经很详细的描述过了，了解了简单的工作步骤，接下来就应该开始学习步骤当中的第一步：数据采集和数据解析。
爬虫的基础步骤分为五步：
下载数据 - requests 。
解析数据 - re / beautifulsoup4。
缓存和持久化 - pymysql 。
生成数字签名 - hashlib。
序列化和压缩 - json / zlib。
数据采集和解析是五个步骤当中的前两步，由于这五个步骤的内容较多，我们一篇文章是说不完的。
因此，在这篇文章里学记先来解释一下获取数据和解析数据这两项内容。
获取数据
在上面的获取数据的后面有所用到的库，即 Requests 库。
Requests 是Python当中的一个采集数据库，它可以将网络上的一些数据获取并收集到你的服务器当中。
Requests获取网络数据的第一步就是进行一个网络请求，使用 Requests 发送网络请求非常简单。
一开始要导入 Requests 模块：
import requests
然后，尝试获取某个网页。想要获取的网页可以直接填在后面的括号当中，记得括号中的内容为字符串模式。
r = requests.get('www.xxxxxx。com')
学记在之前的文章当中，曾经讲过HTTP这一协议，即超文本传输协议。
爬虫所获取的信息便是经由HTTP来进行传输的。
而Requests 简便的 API 意味着所有 HTTP 请求类型都是显而易见的。
使用 Requests 可以简单地发送一个 HTTP POST 请求：
r = requests.post('http://httpbin.org/post', data = {'key':'value'})
在之前的 HTTP 介绍当中，有不止 POST 一个请求，其他请求类型还有：PUT，DELETE，HEAD 以及 OPTIONS。
这些请求在 Requests 当中也和 post 一样简单。实例如下：
r = requests.put('http://httpbin.org/put', data = {'key':'value'})
r = requests.delete('http://httpbin.org/delete')
r = requests.head('http://httpbin.org/get')
r = requests.options('http://httpbin.org/get')
使用 Requests 读取服务器响应的内容：
import requests
r = requests.get('https://api.xxxxx.com/events')
r.text
u'[{"repository":{"open_issues":0,"url":"https://xxxxx.com/...
使用 Requests 改变其读取文本时使用的编码模式：
r.encoding
'utf-8'
r.encoding = 'ISO-8859-1'
上述的是 Requests 的一些基础操作，至于如何通过 Requests 获取网页页面，步骤如下：
1，GET请求和POST请求。
2，URL参数和请求头。
3，复杂的POST请求（文件上传）。
4，操作Cookie。
5，设置代理服务器。
数据解析
在上面数据解析的后面，有两个相关库 ，一个是正则表达式的 Re ，另一个是 BeautifulSoup。由于正则表达式比较困难，入手难度较大。
所以，我们先来学习 BeautifulSoup 。
BeautifulSoup 是一个可以从HTML或XML文件中提取数据的Python库。
将一段文档传入BeautifulSoup 的构造方法,就能得到一个文档的对象，具体代码如下：
from bs4 import BeautifulSoup
soup = BeautifulSoup(open("index.html"))
soup = BeautifulSoup("<html>data</html>")
将HTML文档转换成Unicode编码：
BeautifulSoup("Sacré bleu!")
<html><head></head><body>Sacré bleu!</body></html>
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象。
有关 Python对象的知识，我们在下一篇文章进行详细的解释。
如果想学习更多科技知识，可以点击关注。
如果对文章中的内容有什么困惑的地方，可以在评论区提出自己的问题，学记同大家一起交流，解决各种问题，一起进步。
青年学记 陪伴着各位青年
作者：青年学记 一名不断进步的程序猿
一起学习 一起进步
走向自立
相关推荐
- 安全教育登录入口平台（安全教育登录入口平台官网）
-
122交通安全教育怎么登录:122交通网的注册方法是首先登录网址http://www.122.cn/，接着打开网页后，点击右上角的“个人登录”；其次进入邮箱注册，然后进入到注册页面，输入相关信息即可完...
- 大鱼吃小鱼经典版（大鱼吃小鱼经典版(经典版)官方版）
-
大鱼吃小鱼小鱼吃虾是于谦跟郭麒麟的《我的棒儿呢？》郭德纲说于思洋郭麒麟作诗的相声，最后郭麒麟做了一首，师傅躺在师母身上大鱼吃小鱼小鱼吃虾虾吃水水落石出师傅压师娘师娘压床床压地地动山摇。...
-
- 哪个软件可以免费pdf转ppt（免费的pdf转ppt软件哪个好）
-
要想将ppt免费转换为pdf的话，我们建议大家可以下一个那个wps，如果你是会员的话，可以注册为会员，这样的话，在wps里面的话，就可以免费将ppt呢转换为pdfpdf之后呢，我们就可以直接使用，不需要去直接不需要去另外保存，为什么格式转...
-
2026-02-04 09:03 off999
- 电信宽带测速官网入口（电信宽带测速官网入口app）
-
这个网站看看http://www.swok.cn/pcindex.jsp1.登录中国电信网上营业厅，宽带光纤，贴心服务，宽带测速2.下载第三方软件，如360等。进行在线测速进行宽带测速时，尽...
- 植物大战僵尸95版手机下载（植物大战僵尸95 版下载）
-
1可以在应用商店或者游戏平台上下载植物大战僵尸95版手机游戏。2下载教程：打开应用商店或者游戏平台，搜索“植物大战僵尸95版”，找到游戏后点击下载按钮，等待下载完成即可安装并开始游戏。3注意：确...
- 免费下载ppt成品的网站（ppt成品免费下载的网站有哪些）
-
1、Chuangkit（chuangkit.com）直达地址：chuangkit.com2、Woodo幻灯片（woodo.cn）直达链接：woodo.cn3、OfficePlus（officeplu...
- 2025世界杯赛程表（2025世界杯在哪个国家）
-
2022年卡塔尔世界杯赛程公布，全部比赛在卡塔尔境内8座球场举行，2022年，决赛阶段球队全部确定。揭幕战于当地时间11月20日19时进行，由东道主卡塔尔对阵厄瓜多尔，决赛于当地时间12月18日...
- 下载搜狐视频电视剧（搜狐电视剧下载安装）
-
搜狐视频APP下载好的视频想要导出到手机相册里方法如下1、打开手机搜狐视频软件，进入搜狐视频后我们点击右上角的“查找”，找到自已喜欢的视频。2、在“浏览器页面搜索”窗口中，输入要下载的视频的名称，然后...
- 永久免费听歌网站（丫丫音乐网）
-
可以到《我爱音乐网》《好听音乐网》《一听音乐网》《YYMP3音乐网》还可以到《九天音乐网》永久免费听歌软件有酷狗音乐和天猫精灵，以前要跳舞经常要下载舞曲，我从QQ上找不到舞曲下载就从酷狗音乐上找，大多...
- 音乐格式转换mp3软件（音乐格式转换器免费版）
-
有两种方法：方法一在手机上操作：1、进入手机中的文件管理。2、在其中选择“音乐”，将显示出手机中的全部音乐。3、点击“全选”，选中所有音乐文件。4、点击屏幕右下方的省略号图标，在弹出菜单中选择“...
- 电子书txt下载（免费的最全的小说阅读器）
-
1.Z-library里面收录了近千万本电子书籍，需求量大。2.苦瓜书盘没有广告，不需要账号注册，使用起来非常简单，直接搜索预览下载即可。3.鸠摩搜书整体风格简洁清晰，书籍资源丰富。4.亚马逊图书书籍...
- 最好免费观看高清电影（播放免费的最好看的电影）
-
在目前的网上选择中，IMDb（互联网电影数据库）被认为是最全的电影网站之一。这个网站提供了各种类型的电影和电视节目的海量信息，包括剧情介绍、演员表、评价、评论等。其还提供了有关电影制作背后的详细信息，...
- 孤单枪手2简体中文版（孤单枪手2简体中文版官方下载）
-
要将《孤胆枪手2》游戏的征兵秘籍切换为中文，您可以按照以下步骤进行操作：首先，打开游戏设置选项，通常可以在游戏主菜单或游戏内部找到。然后，寻找语言选项或界面选项，点击进入。在语言选项中，选择中文作为游...
欢迎 你 发表评论:
- 一周热门
- 最近发表
- 标签列表
-
- python计时 (73)
- python安装路径 (56)
- python类型转换 (93)
- python进度条 (67)
- python吧 (67)
- python的for循环 (65)
- python格式化字符串 (61)
- python静态方法 (57)
- python列表切片 (59)
- python面向对象编程 (60)
- python 代码加密 (65)
- python串口编程 (77)
- python封装 (57)
- python写入txt (66)
- python读取文件夹下所有文件 (59)
- python操作mysql数据库 (66)
- python获取列表的长度 (64)
- python接口 (63)
- python调用函数 (57)
- python多态 (60)
- python匿名函数 (59)
- python打印九九乘法表 (65)
- python赋值 (62)
- python异常 (69)
- python元祖 (57)