【python】六个常见爬虫案例

爬虫是一种自动提取网页数据的程序,Python 是实现爬虫的常用语言之一。下面是六个常见的 Python 爬虫案例及其源代码。

  1. 使用requests和BeautifulSoup库爬取简单网页:



import requests
from bs4 import BeautifulSoup
 
url = 'http://example.com'
r = requests.get(url)
soup = BeautifulSoup(r.text, 'html.parser')
print(soup.prettify())
  1. 使用Scrapy框架爬取复杂网页:



import scrapy
 
class MySpider(scrapy.Spider):
    name = 'example'
    start_urls = ['http://example.com']
 
    def parse(self, response):
        for href in response.css('a::attr(href)'):
            yield response.follow(href, self.parse)
  1. 使用Selenium和PhantomJS进行JavaScript渲染的网页爬取:



from selenium import webdriver
 
driver = webdriver.PhantomJS()
driver.get('http://example.com')
print(driver.page_source)
driver.quit()
  1. 使用pymysql将爬取的数据存入MySQL数据库:



import pymysql
 
conn = pymysql.connect(host='localhost', user='user', password='passwd', db='db', charset='utf8')
cur = conn.cursor()
 
sql = "INSERT INTO example (column) VALUES (%s)"
cur.execute(sql, data)
 
conn.commit()
cur.close()
conn.close()
  1. 使用aiohttp异步库爬取网页(适合处理大量网页):



import aiohttp
 
async def fetch(session, url):
    async with session.get(url) as response:
        return await response.text()
 
async def main():
    async with aiohttp.ClientSession() as session:
        html = await fetch(session, 'http://example.com')
        print(html)
 
import asyncio
asyncio.get_event_loop().run_until_complete(main())
  1. 使用redis-py将爬虫队列和设置去重存储在Redis数据库:



import redis
from scrapy.utils.project import get_project_settings
 
settings = get_project_settings()
redis_key = settings['REDIS_ITEM_KEY']
 
redis_conn = redis.StrictRedis(host='localhost', port=6379, db=0)
 
def process_item(item):
    redis_conn.lpush(redis_key, item)
    return item

这些例子提供了不同的爬虫方法和技术,可以根据实际需求选择合适的方案。

最后修改于:2024年08月11日 10:25

评论已关闭

推荐阅读

DDPG 模型解析,附Pytorch完整代码
2024年11月24日
DQN 模型解析,附Pytorch完整代码
2024年11月24日
AIGC实战——Transformer模型
2024年12月01日
Socket TCP 和 UDP 编程基础(Python)
2024年11月30日
python , tcp , udp
如何使用 ChatGPT 进行学术润色?你需要这些指令
2024年12月01日
AI
最新 Python 调用 OpenAi 详细教程实现问答、图像合成、图像理解、语音合成、语音识别(详细教程)
2024年11月24日
ChatGPT 和 DALL·E 2 配合生成故事绘本
2024年12月01日
omegaconf,一个超强的 Python 库!
2024年11月24日
【视觉AIGC识别】误差特征、人脸伪造检测、其他类型假图检测
2024年12月01日
[超级详细]如何在深度学习训练模型过程中使用 GPU 加速
2024年11月29日
Python 物理引擎pymunk最完整教程
2024年11月27日
MediaPipe 人体姿态与手指关键点检测教程
2024年11月27日
深入了解 Taipy:Python 打造 Web 应用的全面教程
2024年11月26日
基于Transformer的时间序列预测模型
2024年11月25日
Python在金融大数据分析中的AI应用(股价分析、量化交易)实战
2024年11月25日
AIGC Gradio系列学习教程之Components
2024年12月01日
Python3 `asyncio` — 异步 I/O,事件循环和并发工具
2024年11月30日
llama-factory SFT系列教程:大模型在自定义数据集 LoRA 训练与部署
2024年12月01日
Python 多线程和多进程用法
2024年11月24日
Python socket详解,全网最全教程
2024年11月27日