Python抓取网页中的超链接以及其文本 |
您所在的位置:网站首页 › 抓取网页中的链接 › Python抓取网页中的超链接以及其文本 |
0.准备工作:读入网页加以解析抓取,需要用到的软件包是 requests_html 。我们此处并不需要这个软件包的全部功能,只读入其中的 HTMLSession 就可以。 from requests_html import HTMLSession 建立一个会话(session),即让Python作为一个客户端,和远端服务器交谈:session = HTMLSession() url = 'https://www.baidu.com'r = session.get(url)print(r.html.text)r.html.links //获取链接r.html.absolute_links//获取绝对链接检查-分栏-确认该区域就是我们要找的链接和文字描述后,选择 Copy -> Copy selector。#__next > div._21bLU4._3kbg6I > div > div._gp-ck > section:nth-child(1) > article > div:nth-child(186) > pre定义变量:sel = 'body > div.note > div.post > div.article > div.show-content > div > p:nth-child(4) > a'results = r.html.find(sel)让 Python 显示 results 结果数据对应的文本。results[0].text把链接也提取出来results[0].absolute_links显示的结果却是一个集合。{'https://www.jianshu.com/nb/130182'} 我们不想要集合,只想要其中的链接字符串。所以我们先把它转换成列表,然后从中提取第一项,即网址链接。 list(results[0].absolute_links)[0] 设计一个函数,只需给定一个选择路径(sel),它就把找到的所有描述文本和链接路径都返回给我们。 def get_text_link_from_sel(sel) : mylist = [ ] try : results = r.html.find(sel) for result in results: mytext = result.text #提取单个文本 mylink = list(result.absolute_links)[0] #提取单个链接 mylist.append((mytext, mylink)) #将每个结果加入list中 return mylist except: return None 1.查看规律,得: sel = 'body > div.note > div.post > div.article > div.show-content > div > p > a' 我们还得把采集到的信息输出到Excel中保存起来。 import pandas as pd df = pd.DataFrame( get_text_link_from_sel(sel) ) df.columns = ['text', 'link'] #更换列名 df.to_csv('output.csv', encoding='gbk', index=False) #以把抓取的内容输出到Excel中了。Pandas内置的命令,就可以把数据框变成csv格式。注意这里需要指定encoding(编码)为gbk,否则默认的utf-8编码在Excel中查看的时候,有可能是乱码。 2.代码如下: from requests_html import HTMLSession session = HTMLSession() url = "https://www.baidu.com" r = session.get(url) print(r.html.text) #查看一下网页文本,可删 r.html.links #查看一下网页链接,可删 r.html.absolute_links #获取“绝对”链接 sel = 'body > div.note > div.post > div.article > div.show-content > div > p > a' #只需给定一个选择路径(sel),函数就把找到的所有描述文本和链接路径都返回给我们 def get_text_link_from_sel(sel): mylist = [] try: results = r.html.find(sel) for result in results: mytext = result.text mylink = list(result.absolute_links)[0] mylist.append((mytext, mylink)) return mylist except: return None import pandas as pd df = pd.DataFrame(get_text_link_from_sel(sel)) df.columns = ['text', 'link'] df.to_csv('output.csv', encoding='gbk', index=False) |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |