ウェブデータ収集
urllibモジュールアプリケーション
Pythonを介してWebページデータを取得する方法
トランスコーディングを行う
Webページの資料を準備する
httpdを起動
Apacheのアクセスログから、ログインがpythonで行われていることがわかります
解決してurllibのヘッダー情報を追加する
import urllib.request as u
request = u.Request("http://192.168.86.11") #将网页地址添加到request实例(变量)
request.add_header("User-Agent","Mozilla/5.0 \
(Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0") #为该实例添加头部信息
response = u.urlopen(request) #通过urlopen打开实例(网页地址 和 头部信息)
html = response.read()
print(html) #访问页面
Linux apacheログを確認する
vim / var / log / httpd / access_log情報レコードにPython情報があるかどうかを確認します
画像をダウンロードするプログラム
import urllib.request as u
request = u.Request("http://192.168.86.11/style/\
u24020836931378817798fm170s6BA8218A7B2128178FA0A49F010080E2w.jpg") #图片地址
request.add_header("User-Agent","Mozilla/5.0 \
(Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0")
response = u.urlopen(request)
html = response.read() #读取的图片的2进制数据
#print(html)
with open("c:\\users\\allen\\desktop\\爬虫.jpg","wb") as f:
f.write(html)
ウェブページ情報取得プログラムをファンクションモードに変換する必要があります
import urllib.request as u
url = "http://192.168.86.11"
def get_html(urladdr):
"我的功能是获取主页的所有源码"
request = u.Request(urladdr)
request.add_header("User-Agent","Mozilla/5.0 \
(Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0")
response = u.urlopen(request)
html = response.read()
return html
def get_imglist():
"我的功能是将所有图片信息地址 做成一个大的列表"
pass
def get_imgs():
"我的功能是下载图片列表中的所有 图片信息 并保存图片"
pass
html = get_html(url)
print(html)
通常の文字列と一致させる方法
単一文字の一致
「。」は任意の1文字に一致します
>>> import re
>>> re.findall(".ood","I say Good not food")
['Good', 'food']
>>> re.findall(".ood","I say Good not food @ood")
['Good', 'food', '@ood']
>>> re.findall(".ood","I say Good not food ood")
['Good', 'food', ' ood']
>>> re.findall(".ood","I say Good not food \nood")
['Good', 'food']
>>>
[]単一の文字を1つずつ一致させます
>>> re.findall("[fn]ood","I say Good not food nood") #ood以f或者n链接 的字符串
['food', 'nood']
>>> re.findall("[^fn]ood","I say Good not food nood")#ood不是以f或者n链接的字符串 取反
['Good']
>>> re.findall("^[Gfn]ood","Good not food nood") #以G f n 开头的和ood链接的字符串匹配
['Good']
>>> re.findall("^[Gfn]ood","I say Good not food nood")
[]
>>>
\ dは単一の0-9に一致します
>>> re.findall("\d","How old are you? I am 36")
['3', '6']
>>> re.findall("\d\d","How old are you? I am 36")
['36']
>>>
\ wは0-9a-zA-Z_の範囲の1文字と一致します
>>> re.findall("\w","How old are you? I am 36")
['H', 'o', 'w', 'o', 'l', 'd', 'a', 'r', 'e', 'y', 'o', 'u', 'I', 'a', 'm', '3', '6']
>>> re.findall("\w\w\w","How old are you? I am 36")
['How', 'old', 'are', 'you']
>>> re.findall("\w\w","How old are you? I_am 36")
['Ho', 'ol', 'ar', 'yo', 'I_', 'am', '36']
>>>
\ sは空白文字とスペースに一致します
>>> re.findall("\s","\tHow old are you?\r\n")
['\t', ' ', ' ', ' ', '\r', '\n']
>>>
文字の一致のセット
逐語的に一致
>>> re.findall("allen","I am allen")
['allen']
>>> re.findall("allen","I am allenallen")
['allen', 'allen']
>>>
逐語的に一致|異なる文字列を分割
>>> re.findall("food|nood","I say Good not food nood")
['food', 'nood']
>>> re.findall("not|nood","I say Good not food nood")
['not', 'nood']
>>>
*左側の最初の文字が0から無限回出現することを示します
>>> re.findall("go*gle","I like google not ggle goooogle and gogle")
['google', 'ggle', 'goooogle', 'gogle']
>>>
+左側の最初の文字が1から無限回出現することを意味します
>>> re.findall("go+gle","I like google not ggle goooogle and gogle")
['google', 'goooogle', 'gogle']
>>>
?左側の最初の文字が0または1回出現することを意味します
>>> re.findall("go?gle","I like google not ggle goooogle and gogle")
['ggle', 'gogle']
{}左に隣接する文字の出現回数を指定します
>>> re.findall("go{2}gle","I like google not ggle goooogle and gogle")
['google']
>>> re.findall("go{1}gle","I like google not ggle goooogle and gogle")
['gogle']
>>> re.findall("go{1,4}gle","I like google not ggle goooogle and gogle")
['google', 'goooogle', 'gogle']
>>>
上記の情報に従って、Webテストページの画像取得を完了します。
import urllib.request as u
import re
url = "http://192.168.86.11/" #结尾添加左斜杠
def get_html(urladdr):
"我的功能是获取主页的所有源码"
request = u.Request(urladdr)
request.add_header("User-Agent","Mozilla/5.0 \
(Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0")
response = u.urlopen(request)
html = response.read()
return html
def get_imglist(url,html):
"我的功能是将所有图片信息地址 做成一个大的列表"
imglist = [] #存储图片地址的一个容器列表
bytsimglist = re.findall(b"style/\w{60}\.jpg",html)
for i in bytsimglist: #因为图片地址不全而且是2进制字符串 因此 要进行拼接处理
imgaddr = url+str(i,encoding='utf8') #拼接并且转换为字符串
imglist.append(imgaddr) #将地址放入列表中
return imglist
def get_imgs(imglist):
"我的功能是下载图片列表中的所有 图片信息 并保存图片"
num = 0 #为了图片名称进行自增
for imgurl in imglist:
num += 1
data = get_html(imgurl)
with open("%s.jpg" %num,"wb") as f: #图片名字会从1.jpg开始一直到54.jpg
f.write(data)
html = get_html(url)
#print(html)
imglist = get_imglist(url,html)
#print(len(imglist))
get_imgs(imglist)
ブカコミックウェブサイトリソースクロール
import urllib.request as u
import re
#url = "http://www.buka.cn/view/223172/65537.html"
#url = "http://www.buka.cn/view/223578/65537.html"
#url = "http://www.buka.cn/view/221784/65540.html"
url = "http://www.buka.cn/view/219792/65742.html"
def get_html(urladdr):
"我的功能是获取主页的所有源码"
request = u.Request(urladdr)
request.add_header("User-Agent","Mozilla/5.0 \
(Windows NT 10.0; Win64; x64; rv:73.0) Gecko/20100101 Firefox/73.0")
response = u.urlopen(request)
html = response.read()
return html
def get_imglist(url,html):
"我的功能是将所有图片信息地址 做成一个大的列表"
imglist = [] #存储图片地址的一个容器列表
bytsimglist = re.findall(b"http://i-cdn.ibuka.cn/pics/\d+/\d+/\w+.jpg",html)
#print(bytsimglist)
for i in bytsimglist:
imglist.append(str(i,encoding='utf8'))
return imglist
def get_imgs(imglist):
"我的功能是下载图片列表中的所有 图片信息 并保存图片"
num = 0 #为了图片名称进行自增
for imgurl in imglist:
num += 1
data = get_html(imgurl)
with open("%s.jpg" %num,"wb") as f: #图片名字会从1.jpg开始一直到54.jpg
f.write(data)
html = get_html(url)
#print(html)
imglist = get_imglist(url,html)
#print(imglist)
get_imgs(imglist)
通常のマッチングでの特殊記号の適用
^ $で始まるものが$で終わることを示します
>>> re.findall('^I say',"I say Good not food")
['I say']
>>> re.findall('not food$',"I say Good not food")
['not food']
>>> re.findall('not Good$',"I say Good not food")
[]
>>>
\ b単語の境界を指定_特別な記号ではない
>>> re.findall("allen","allen.com allen_123 allen.com")
['allen', 'allen', 'allen']
>>> re.findall("\ballen\b","allen.com allen_123 allen.com")
[]
>>> re.findall("\\ballen\\b","allen.com allen_123 allen.com")
['allen', 'allen']
>>>