纯粹干货，Python爬虫的数据采集和分析方法
off999 2024-12-16 15:20 30 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
- 无线网桥监控安装方法（无线网桥怎么连接监控）
-
网桥连接无线路由器安装的设置方法如下1.主路由器上网正常，副路由器LAN口插一根网线，另一头连接电脑。主副路由器不需要用网线连接。2.电脑开机输入副路由器背面的设置地址，进入登录界面输入背面的账号密码...
- 怎么对电脑文件夹加密（怎么对电脑文件夹加密码）
-
1.右键点要加密的文件或文件夹，然后单击“属性”；2.在“常规”选项卡，点击“高级”。选中“加密内容以便保护数据”复选框;3.在加密文件夹时，系统将询问是否要同时加密它的子文件夹。要如果选择是，那它的...
- windows系统下载手机（win10下载手机）
-
OPPO手机重新下载安装系统：先备份好重要数据！然后手机连接电脑把下载的固件存入手机。然后再长按电源键十秒钟进入关机状态（可拆卸电板的需取下电板然后重新安装）。再同时按住电源键跟音量减键，进入reco...
- 电脑系统分区怎么分（电脑系统分区怎么分区）
-
分区是将硬盘分割成不同的逻辑部分，每个分区可以被视为一个独立的存储设备。通过分区，可以更好地管理数据和操作系统。要进行电脑分区，可以按照以下步骤进行：1.确定分区方案：首先需要确定分区的目的和需求。...
- 电脑显卡怎么选择（电脑显卡怎样选择）
-
以下是一些通用的方法：1.在硬件层面进行配置：首先需要确认您的主板和操作系统是否支持多GPU并行，以及您的电源是否提供足够的功率支持。在BIOS中启用多GPU选项，并安装正确的驱动程序。然后，通...
- 设置软件下载（设置软件下载入口）
-
iphone13app的下载设置1、首先，打开手机桌面的【设置】。2、在设置界面，点击【面容ID与密码】。3、这时设置了键盘锁的会要求你输入键盘锁密码进入。4、进入之后，找到【iTunesStore...
- 电脑麦克风插孔是哪个（电脑麦克风插那）
-
1.蓝色的为音频输入口。一般的电脑后面都有三个音频接口：蓝色是音频输入，绿色是音频输出，粉红色麦克风。 2.音频输入(蓝色),为外接光驱.随身听及其它音频输入设备,即可以把外部的设备声音传送至电脑...
- ie浏览器打不开网页怎么修复
-
第一步：打开“运行”输入—〉cmd—〉回车然后把下面这行字符复制到黑色cmd框里面去回车等待dll文件全部注册完成就关闭可以了（下面是要运行的代码）：for%1in(%windir%\syste...
- mail163邮箱登录入口网页版（mail163手机邮箱登录）
-
1.首先你要开启网易的POP3/SMTP/IMAP。2.设置完之后你需要网易的客户端授权密码。3.密码会发送至你的绑定手机。4.用发给你的客户端授权密码登录第三方客户端（ios客户端）5.直接登陆，储...
- win7系统序列号怎么查（win7电脑的序列号怎么查）
-
你可以在cmd命令行窗口中输入以下相关命令，可以得到你要的信息查找主板厂商输入：wmicBaseBoardgetManufacturer查找主板型号输入：wmicBaseBoardgetP...
- 台式电脑怎么看配置好坏（台式机怎么看配置参数哪里看好坏）
-
如何分辨电脑配置好坏第一看CPU，CPU从上到下可分为i7,i5,i3等，数字越高越好。第二看显卡和内存，显卡内存现在至少4G或者8G起步，越高越好，第三看硬盘是否是固态，固态要比机械的运行速度快...
- 下载软件安装不了（为什么下载软件安装不了）
-
一：检查手机内存是否充足，如果内存太小，需要更换大容量的SD卡。 二：检查手机是否设置允许安装除手机自带应用商店以外的应用。 方法一：需要从手机自带应用商店下载。 ①点击手机桌面上的应用...
- 现在建议更新win11吗（应该升级win11吗）
-
鲁大师更新11靠谱的，他只是给你提供一个方便的升级渠道而已。升级以后能否正常使用，还要看你原来的系统是否是正版。如果原来的系统是正版，升级完成后，可以正常使用。如果原来的系统是盗版，也是可以升级的，只...
- windows7旗舰版好用吗（win7旗舰版好用么）
-
win7旗舰版挺好使的不过现在可以选择更win10。Windows7旗舰版属于微软公司开发的Windows7操作系统系统系列中的功能最高级的版本，也被叫做终结版本，是为了取代WindowsXP...
欢迎 你 发表评论:
- 一周热门
-
-
抖音上好看的小姐姐，Python给你都下载了
-
全网最简单易懂!495页Python漫画教程，高清PDF版免费下载
-
飞牛NAS部署TVGate Docker项目，实现内网一键转发、代理、jx
-
Python 3.14 的 UUIDv6/v7/v8 上新，别再用 uuid4 () 啦!
-
python入门到脱坑 输入与输出—str()函数
-
宝塔面板如何添加免费waf防火墙?（宝塔面板开启https）
-
Python三目运算基础与进阶_python三目运算符判断三个变量
-
(新版)Python 分布式爬虫与 JS 逆向进阶实战吾爱分享
-
失业程序员复习python笔记——条件与循环
-
系统u盘安装（win11系统u盘安装）
-
- 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)