标签：lis _for post chrome 路径 ips 导入 mat timeout
开发环境：windows环境+python3+requests库(请求)+BeautifulSoup库(解析)
目标:爬取酷狗音乐Top500并保存到txt中
整个案例源代码：
#导入程序需要的库，requests库用于请求获取网页，BeautifulSoup库用于解析网页数据，time库、random库用于随机延时
import requests
from bs4 import BeautifulSoup
import time
import random
from multiprocessing import Pool
#请求头，伪装浏览器，加强爬虫的稳定性
headers = {
‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.87 Safari/537.36‘
}
#创建一个列表用于接收数据
data_lists = []
#定义爬取数据的函数
def get_info(url):
global time
wb_data = requests.get(url,headers = headers)
soup = BeautifulSoup(wb_data.text,‘lxml‘)
ranks = soup.select(‘span.pc_temp_num ‘)
titles = soup.select(‘div.pc_temp_songlist > ul > li > a‘)
times = soup.select(‘div.pc_temp_songlist > ul > li > span.pc_temp_tips_r > span‘)
for rank,title,time in zip(ranks,titles,times):
data = {
‘rank‘:rank.get_text().strip(),
‘signer‘:title.get_text().strip().split(‘-‘)[0],
‘song‘:title.get_text().strip().split(‘-‘)[-1],
‘time‘:time.get_text().strip()
}
print(data)
data_lists.append(data)
if __name__ == ‘__main__‘:
urls = [‘http://www.kugou.com/yy/rank/home/{}-8888.html‘.format(str(i)) for i in range(1,3)]
start_time1 = time.time()
for url in urls:
get_info(url)
time.sleep(random.randint(1, 5))
end_time1 = time.time()
print("单个进程爬取酷狗音乐Top500用的时间:",end_time1 - start_time1)
#将数据写入txt文档
for data_list in data_lists:
f = open(‘D:\Pycharm_Projects\spiders\kugou500.text‘,‘a+‘)
try:
f.write(data_list[‘rank‘]+‘\n‘)
f.write(data_list[‘signer‘] + ‘\n‘)
f.write(data_list[‘song‘] + ‘\n‘)
f.write(data_list[‘time‘] + ‘\n‘)
f.close()
except UnicodeEncodeError:
pass
1、requests库的用法
import requests res = requests,get(‘url‘) print(res) #若为<Response [200]>则正常，若状态吗为404 或者400则表示请求失败 print（res.text）#打印请求的网页源码信息
此外，requests库还有get()方法，和post()等方法。对于异常处理主要有ConnectionError、Response.raise_for_status()、Timeout、TooManyRedirects等，详情参看requets库的官方文档：http://docs.python-requests.org/zh_CN/latest/
2.BeautifulSoup库的简单用法
BeautifulSoup库可以轻松的解析requests库请求得到的网页，并把网页源代码解析为Soup文档。BeautifulSoup解析得到的Soup文档与requests库请求得到的网页源码相比，Soup文档是按标准缩进格式输出。
from bs4 import BeautifulSoup soup = BeautifulSoup(res.text,‘lxml‘) #查找想要的元素，一般主要用find_all()方法和selector(）方法· soup.find_all(tag,attributes) titles = soup.select(‘div.pc_temp_songlist > ul > li > a‘)
其他更多用法，参看BeautifulSoup文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
3、python中文件对象的读取操作
一般主要通过f.write()和f.read()方法(这里假设文件的名为f)。
写入内容:
f = open(‘xxxx路径/xx.txt‘，‘w+’)
f.write(‘hello world‘)
读出内容:
f = open(‘xxxx路径/xx.txt‘，‘w+’)
content = f.read()
print(content)
最后，通常文件读写操作完成之后，需要关闭文件，采用f.close()方法。这样可以保证Python进行缓冲的清理(处于效率的考虑而把数据临时存储在内存中)和文件的安全性。
标签：lis _for post chrome 路径 ips 导入 mat timeout
原文地址：https://www.cnblogs.com/cqutong2/p/9218417.html
