爬虫实战：链接爬虫实战

假设我们想要把一个网页中所有的链接地址提取出来，我们可以通过python爬虫实现。
思路

确定好要爬取的入口链接
根据需求构建好链接提取的正则表达式
模拟成浏览器并爬取对应网页
根据步骤2的正则表达式提取出该网页中的链接
过滤掉重复链接
后续操作，如打印出链接。

第一步：入口链接
个人博客

网址

https://blog.csdn.net/KOBEYU652453?spm=1001.2101.3001.5343

第二步：定义正则表达式

链接示例

 href="https://blog.csdn.net/kobeyu652453/article/details/106355922

正则用法教程链接
python :re模块基本用法

于是我们可以定义正则规则

pat='(https?://[^\s)";]+\.(\w|/)*)' #^\匹配任何非空白字符 \w任何数字字母 * 0个或多个

因为有的网址是http，非https，如何在s后面加？号。

全文代码

import re
import urllib.request
from urllib import request
def getlink(url):
    headers = ("User-Agent",
               "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3947.100 Safari/537.36")
    opener = urllib.request.build_opener()
    opener.addheaders = [headers]
    # 将opener安装为全局
    urllib.request.install_opener(opener)

    url_request = request.Request(url)
    html1 = request.urlopen(url_request, timeout=10)
    data=str(html1.read())
    #根据需要定义正则表达式
    pat = '(https?://[^\s)";]+\.(\w|/)*)'  # ^\匹配任何非空白字符 \w任何数字字母 * 0个或多个
    link=re.compile(pat).findall(data)
    #去除重复元素
    link=set(link)
    return link

url='https://blog.csdn.net/KOBEYU652453?spm=1001.2101.3001.5343'
linklist=getlink(url)
for link in linklist:
    print(link[0])

在这里插入图片描述
作者：电气-余登武

爬虫实战：链接爬虫实战

猜你喜欢