Python中的屏幕抓取

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了Python中的屏幕抓取，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1277字，纯文字阅读大概需要2分钟。

内容图文

我是Python的整个屏幕抓取概念的新手,虽然我在R中做了一些屏幕抓取.我正在试图抓住Yelp网站.我正试图抓住yelp搜索返回的每个保险机构的名字.对于大多数抓取任务,我能够执行以下任务,但是在解析xml时总是很难.

import urllib2
from BeautifulSoup import BeautifulSoup

soup = BeautifulSoup(urllib2.urlopen('http://www.yelp.com/search?find_desc=insurance+agency&ns=1&find_loc=Austin').read())

print soup

因此,在抓取网站时,应遵循哪些步骤？每次他们试图刮取网站时,是否需要采取一系列必要的操作？

我在Ubuntu 10.10上运行Python 2.6

我意识到这可能是常见问题中概述的一个糟糕的问题,但我希望有人可以在抓取网站时提供一些一般性指导和要考虑的事项.

解决方法:

我建议你阅读xpath&试试这个scrapy教程. http://doc.scrapy.org/intro/tutorial.html写这样的蜘蛛相当容易

from scrapy.spider import BaseSpider
from scrapy.selector import HtmlXPathSelector

class DmozSpider(BaseSpider):
    name = "dmoz.org"
    allowed_domains = ["dmoz.org"]
    start_urls = [
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Books/",
        "http://www.dmoz.org/Computers/Programming/Languages/Python/Resources/"
    ]
def parse(self, response):
    hxs = HtmlXPathSelector(response)
    sites = hxs.select('//ul/li')
    for site in sites:
        title = site.select('a/text()').extract()
        link = site.select('a/@href').extract()
        desc = site.select('text()').extract()
        print title, link, desc

内容总结

以上是互联网集市为您收集整理的Python中的屏幕抓取全部内容，希望文章能够帮你解决Python中的屏幕抓取所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端