【爬虫】常用爬虫代码(供查询)

全屏阅读
  • 基本信息
  • 作者:
  • 作者已发布:924篇文章
  • 发布时间:2019年05月22日 1:01:28
  • 所属分类:python3
  • 阅读次数:3683次阅读
  • 标签:

beautifulsoup解析页面

from bs4 import BeautifulSoup

soup = BeautifulSoup(htmltxt, "lxml")

# 三种装载器

soup = BeautifulSoup("<a></p>", "html.parser")

### 只有起始标签的会自动补全,只有结束标签的会自动忽略

### 结果为:<a></a>

soup = BeautifulSoup("<a></p>", "lxml")

### 结果为:<html><body><a></a></body></html>

soup = BeautifulSoup("<a></p>", "html5lib")

### html5lib则出现一般的标签都会自动补全

### 结果为:<html><head></head><body><a><p></p></a></body></html>

# 根据标签名、id、class、属性等查找标签

### 根据class、id、以及属性alog-action的值和标签类别查询

soup.find("a",class_="title",id="t1",attrs={"alog-action": "qb-ask-uname"}))

### 查询标签内某属性的值

pubtime = soup.find("meta",attrs={"itemprop":"datePublished"}).attrs['content']

### 获取所有class为title的标签

for i in soup.find_all(class_="title"):

    print(i.get_text())

    

### 获取特定数量的class为title的标签

for i in soup.find_all(class_="title",limit = 2):

    print(i.get_text())

### 获取文本内容时可以指定不同标签之间的分隔符,也可以选择是否去掉前后的空白。

soup = BeautifulSoup('<p class="title" id="p1"><b>  The Dormouses story  </b></p><p class="title" id="p1"><b>The Dormouses story</b></p>', "html5lib")

soup.find(class_="title").get_text("|", strip=True)

#结果为:The Dormouses story|The Dormouses story

### 获取class为title的p标签的id

soup.find(class_="title").get("id")

### 对class名称正则:

soup.find_all(class_=re.compile("tit"))

### recursive参数,recursive=False时,只find当前标签的第一级子标签的数据

soup = BeautifulSoup('<html><head><title>abc','lxml')

soup.html.find_all("title", recursive=False)

unicode编码转中文

content = "\u65f6\u75c7\u5b85"

content = content.encode("utf8","ignore").decode('unicode_escape')

url encode的解码与解码

from urllib import parse

# 编码

x = "中国你好"

y = parse.quote(x)

print(y)

# 解码

x = parse.unquote(y)

print(x)

html转义字符的解码

from html.parser import HTMLParser

htmls = "&lt;div&gt;&lt;p&gt;"

txt = HTMLParser().unescape(htmls)

print(txt)  . # 输出<div><p>

base64的编码与解码

import base64

# 编码

content = "测试转码文本123"

contents_base64 = base64.b64encode(content.encode('utf-8','ignore')).decode("utf-8")

# 解码

contents = base64.b64decode(contents_base64)

过滤emoji表情

  def filter_emoji(desstr,restr=''):

       try:

           co = re.compile(u'[\U00010000-\U0010ffff]')

       except re.error:

           co = re.compile(u'[\uD800-\uDBFF][\uDC00-\uDFFF]')

       

       return co.sub(restr, desstr)

完全过滤script和style标签

import requests

from bs4 import BeautifulSoup

soup = BeautifulSoup(htmls, "lxml")

for script in soup(["script", "style"]):   

    script.extract()

print(soup)

过滤html的标签,但保留标签里的内容

import re

htmls = "<p>abc</p>"

dr = re.compile(r'<[^>]+>',re.S)

htmls2 = dr.sub('',htmls)

print(htmls2) #abc

正则提取内容(一般处理json)

rollback({

"response": {

"code": "0",

"msg": "Success",

"dext": ""

},

"data": {

"count": 3,

"page": 1,

"article_info": [{

"title": "“小库里”:适应比赛是首要任务 投篮终会找到节奏",

"url": "http:\/\/sports.qq.com\/a\/20180704\/035378.htm",

"time": "2018-07-04 16:58:36",

"column": "NBA",

"img": "",

"desc": ""

}, {

"title": "首钢体育助力国家冰球集训队 中国冰球联赛年底启动",

"url": "http:\/\/sports.qq.com\/a\/20180704\/034698.htm",

"time": "2018-07-04 16:34:44",

"column": "综合体育",

"img": "",

"desc": ""

}...]

}

})

import re

# 提取这个json中的每条新闻的title、url

# (.*?)为要提取的内容,可以在正则字符串中加入.*?表示中间省略若干字符

reg_str = r'"title":"(.*?)",.*?"url":"(.*?)"'

pattern = re.compile(reg_str,re.DOTALL)

items = re.findall(pattern,htmls)

for i in items:

    tilte = i[0]

    url = i[1]

时间操作

# 获取当前日期

today = datetime.date.today()

print(today)    #2018-07-05

# 获取当前时间并格式化

time_now = time.strftime("%Y-%m-%d %H:%M:%S",time.localtime(time.time()))

print(time_now)     #2018-07-05 14:20:55

# 对时间戳格式化

a = 1502691655

time_a = time.strftime("%Y-%m-%d %H:%M:%S", time.localtime(int(a))) 

print(time_a)       #2017-08-14 14:20:55

# 字符串转为datetime类型

str = "2018-07-01 00:00:00"

datetime.datetime.strptime(st, "%Y-%m-%d %H:%M:%S")

# 将时间转化为时间戳

time_line = "2018-07-16 10:38:50"

time_tuple = time.strptime(time_line, "%Y-%m-%d %H:%M:%S")

time_line2 = int(time.mktime(time_tuple))

# 明天的日期

today = datetime.date.today()

tomorrow = today + datetime.timedelta(days=1)

print(tomorrow)     #2018-07-06

# 三天前的时间

today = datetime.datetime.today()

tomorrow = today + datetime.timedelta(days=-3)

print(tomorrow)     #2018-07-02 13:37:00.107703

# 计算时间差

start = "2018-07-03 00:00:00"

time_now = datetime.datetime.now()

b = datetime.datetime.strptime(start,'%Y-%m-%d %H:%M:%S')

minutes  = (time_now-b).seconds/60

days = (time_now-b).days

all_minutes = days*24*60+minutes

print(minutes)      #821.7666666666667

print(days)     #2

print(all_minutes)      #3701.7666666666664

复杂时间格式转换为标准时间格式

使用dateutil模块,通过pip install dateutil下载

from dateutil.parser import parse

a = "Mar 1, 2019 9:19:50 AM"

b = parse(a)

print(b)  # 2019-03-01 09:19:50

数据库操作

import pymysql

conn = pymysql.connect(host='10.0.8.81', port=3306, user='root', passwd='root',db='xxx', charset='utf8')

cur = conn.cursor()

insert_sql = "insert into tbl_name(id,name,age) values(%s,%s,%s)

id = 1

name = "like"

age = 26

data_list = []

data = (id,name,age)

# 单条插入

cur.execute(insert_sql,data)

conn.commit()

# 批量插入

data_list.append(data)

cur.executemany(insert_sql,data_list)

conn.commit()

#特殊字符处理(name中含有特殊字符)

data = (id,pymysql.escape_string(name),age)

#更新

update_sql = "update tbl_name set content = '%s' where id = "+str(id)

cur.execute(update_sql%(pymysql.escape_string(content)))

conn.commit()

#批量更新

update_sql = "UPDATE tbl_recieve SET content = %s ,title = %s , is_spider = %s WHERE id = %s"

update_data =  (contents,title,is_spider,one_new[0])

update_data_list.append(update_data)

if len(update_data_list) > 500:

try:

    cur.executemany(update_sql,update_data_list) 

    conn.commit() 

  

顶一下
(0)
100%
订阅 回复
踩一下
(0)
100%
» 郑重声明:本文由mpxq168发布,所有内容仅代表个人观点。版权归恒富网mpxq168共有,欢迎转载, 但未经作者同意必须保留此段声明,并给出文章连接,否则保留追究法律责任的权利! 如果本文侵犯了您的权益,请留言。

目前有 0 条留言 其中:访客:0 条, 博主:0 条

给我留言

您必须 [ 登录 ] 才能发表留言!