Python3 黑板客爬虫闯关第一关

举报
悦来客栈的老板 发表于 2020/12/29 00:09:42 2020/12/29
【摘要】 #coding=utf-8import reimport requestsfrom requests.exceptions import RequestExceptionfrom bs4 import BeautifulSoup def getHtml(url): try: headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 1...

  
  1. #coding=utf-8
  2. import re
  3. import requests
  4. from requests.exceptions import RequestException
  5. from bs4 import BeautifulSoup
  6. def getHtml(url):
  7. try:
  8. headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:56.0) Gecko/20100101 Firefox/56.0'}
  9. response = requests.get(url,headers = headers)
  10. if response.status_code == 200:
  11. return response.text
  12. return None
  13. except RequestException:
  14. return None
  15. if __name__=='__main__':
  16. start_url = "http://www.heibanke.com/lesson/crawler_ex00/"
  17. real_url = start_url
  18. while 1:#while 1 的运行速度比while True 要快那么一点
  19. print ("当前请求页面:{}".format(real_url))
  20. html = getHtml(real_url)
  21. soup = BeautifulSoup(html,"lxml")
  22. source =soup.select_one('h3').text
  23. num = re.findall('\d+',source)
  24. if len(num) == 0:
  25. break
  26. real_url = start_url + num[0]

考察点:url的拼接,BeautifulSoup库及正则表达式库的使用。

文章来源: blog.csdn.net,作者:悦来客栈的老板,版权归原作者所有,如需转载,请联系作者。

原文链接:blog.csdn.net/qq523176585/article/details/83019159

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。