python爬取网页后如何分析

一、利用webbrowser.open()打开一个网站：

>>> import webbrowser 
>>> webbrowser.open('http://i.firefoxchina.cn/?from=worldindex') 
True

实例：使用脚本打开一个网页。

所有Python程序的第一行都应该以#!python开头，它告诉计算机你想让Python来执行这个程序。 （没有这条线我试过了，没关系，可能这是一个规范吧）

1. 从 sys.argv 中读取命令行参数：打开一个新的文件编辑器窗口，输入下面的代码，并将其保存为 map.py。

2.读取剪贴板内容：

3.调用webbrowser.open()函数打开外部浏览：

#! python3 
import webbrowser, sys, pyperclip 
if len(sys.argv) > 1: 
 mapAddress = ''.join(sys.argv[1:]) 
else: 
 mapAddress = pyperclip.paste() 
webbrowser.open('http://map.baidu.com/?newmap=1&ie=utf-8&s=s%26wd%3D' + mapAddress

注意：如果不知道sys.argv的用法，请参考这里；如果你不知道.join() 的用法，请参考这里。 sys.argv 是一个字符串列表，因此将它传递给 join() 方法会返回一个字符串。

好吧，现在选择“天安门广场”一词并复制它，然后转到桌面并双击你的程序。当然你也可以在命令行中找到你的程序，然后输入位置。

二、用requests模块从Web下载文件：

requests 模块没有 Python 自带，所以在命令行运行 pip install request 来安装它。不翻墙很难安装成功。手动安装请参考这里。

>>> import requests 
>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex') #向get中传入一个网址 
>>> type(res) #响应对象 
<class 'requests.models.Response'> 
>>> print(res.status_code) #响应码 
200
>>> res.text #返回的文本

在requests中查看从网上下载的文件内容的方法还是有很多的。如果在以后的博客中用到，会一一说明，这里就不一一介绍了。在下载文件的过程中，使用raise_for_status()方法确保确实下载成功，然后让程序继续做其他的事情。

import requests 
res = requests.get('http://i.firefoxchina.cn/?from=worldindex') 
try: 
 res.raise_for_status() 
except Exception as exc: 
 print('There was a problem: %s' % (exc))

三、将下载的文件保存到本地：

>>> import requests 
>>> res = requests.get('http://tech.firefox.sina.com/17/0820/10/6DKQALVRW5JHGE1I.html##0-tsina-1-13074- 
397232819ff9a4 
7a7b7e80a40613cfe1') 
>>> res.raise_for_status() 
>>> file = open('1.txt', 'wb') #以写二进制模式打开文件，目的是保存文本中的“Unicode编码” 
>>> for word in res.iter_content(100000): #<span class="fontstyle0"><span class="fontstyle0">iter_content()
</span>
<span class="fontstyle1">方法在循环的每次迭代中返回一段</span><span class="fontstyle0">bytes</span><span class=
"fontstyle1">数据</span><span class="fontstyle1">类型的内容，你需要指定其包含的字节数</span></span> 
 file.write(word) 
    
16997
>>> file.close()

四、用BeautifulSoup模块解析HTML：在命令行中用pip install beautifulsoup4安装它。

1、bs4.BeautifulSoup()函数可以解析HTML网站链接requests.get()，或者解析本地保存的HTML文件，直接open()一个本地HTML页面。

>>> import requests, bs4 
>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex') 
>>> res.raise_for_status() 
>>> soup = bs4.BeautifulSoup(res.text) 
  
Warning (from warnings module): 
 File "C:\Users\King\AppData\Local\Programs\Python\Python36-32\lib\site-packages\beautifulsoup4-4.6.0-py3.6.egg
 \bs4\__init__.py", line 181
 markup_type=markup_type)) 
UserWarning: No parser was explicitly specified, so I'm using the best available HTML parser for this 
system 
("html.parser"). This usually isn't a problem, but if you run this code on another system, or in a 
different virtual 
environment, it may use a different parser and behave differently. 
  
The code that caused this warning is on line 1 of the file <string>. To get rid of this warning, 
change code that 
looks like this:   
 BeautifulSoup(YOUR_MARKUP})   
to this:   
 BeautifulSoup(YOUR_MARKUP, "html.parser") 
  
>>> soup = bs4.BeautifulSoup(res.text, 'html.parser') 
>>> type(soup) 
<class 'bs4.BeautifulSoup'>

我这里有错误提示，所以加了第二个参数。

>>> import bs4 
>>> html = open('C:\\Users\\King\\Desktop\\1.htm') 
>>> exampleSoup = bs4.BeautifulSoup(html) 
>>> exampleSoup = bs4.BeautifulSoup(html, 'html.parser') 
>>> type(exampleSoup) 
<class 'bs4.BeautifulSoup'>

2、使用select()方法查找元素：需要传入一个字符串作为CSS“选择器”来获取网页对应的元素，例如：

soup.select('div')：所有名为<div>的元素；

soup.select('#author')：带有id属性为author的元素；

soup.select('.notice')：所有使用CSS class属性名为notice的元素；

soup.select('div span')：所有在<div>元素之内的<span>元素；

soup.select('input[name]')：所有名为<input>并有一个name属性，其值无所谓的元素；

soup.select('input[type="button"]')：所有名为<input>并有一个type属性，其值为button的元素。

想查看更多的解析器，请参看这里。

>>> import requests, bs4 
>>> res = requests.get('http://i.firefoxchina.cn/?from=worldindex') 
>>> res.raise_for_status() 
>>> soup = bs4.BeautifulSoup(res.text, 'html.parser') 
>>> author = soup.select('#author') 
>>> print(author) 
[] 
>>> type(author) 
<class 'list'> 
>>> link = soup.select('link ') 
>>> print(link) 
[<link href="css/mozMainStyle-min.css?v=20170705" rel="external nofollow" rel="external nofollow" rel="
stylesheet" 
type="text/css"/>, <link href="" id=" rel="external nofollow" rel="external nofollow" rel="external 
nofollow" 
moz-skin" rel="stylesheet" type="text/css"/>, <link href="" id=" rel="external nofollow" rel="external 
nofollow" 
rel="external nofollow" moz-dir" rel="stylesheet" type="text/css"/>, <link href="" id=" rel="external 
nofollow" 
rel="external nofollow" rel="external nofollow" moz-ver" rel="stylesheet" type="text/css"/>] 
>>> type(link) 
<class 'list'> 
>>> len(link) 
4
>>> type(link[0]) 
<class 'bs4.element.Tag'> 
>>> link[0] 
<link href="css/mozMainStyle-min.css?v=20170705" rel="external nofollow" rel="external nofollow" rel="stylesheet" 
type="text/css"/> 
>>> link[0].attrs 
{'rel': ['stylesheet'], 'type': 'text/css', 'href': 'css/mozMainStyle-min.css?v=20170705'}

3.通过元素的属性获取数据：接着上面的代码写。

>>> link[0].get('href') 
'css/mozMainStyle-min.css?v=20170705