爬取w3c课程—Urllib库使用

爬虫原理

      浏览器获取网页内容的步骤：浏览器提交请求、下载网页代码、解析成页面，爬虫要做的就是：

1. 模拟浏览器发送请求：通过HTTP库向目标站点发起请求Request，请求可以包含额外的header等信息，等待服务器响应
2. 获取响应内容：如果服务器正常响应，会得到一个响应Response，响应的内容便是所要获取的页面内容，类型可能是HTML,Json字符串，二进制数据（图片或者视频）等
3. 解析响应内容：获取响应内容后，解析各种数据，如：解析html数据：正则表达式，第三方解析库，解析json数据：json模块，解析二进制数据:进一步处理或以wb的方式写入文件
4. 保存数据：保存为文本，数据库，或者保存特定格式的文件

简单例子：利用Urllib库爬取w3c网站教程

1、urllib的request模块可以非常方便地抓取URL内容，也就是发送一个GET请求到指定的页面，然后返回HTTP的响应：例如，对百度的一个w3c发送一个GET请求，并返回响应：

# coding:utf-8
import urllib.requestmy_url='https://www.w3cschool.cn/tutorial'#要获取课程的网址
page = urllib.request.urlopen(my_url)
html = page.read().decode('utf-8')
print(html)

把发送一个GET请求到指定的页面，返回HTTP的响应写成一个函数：

 

def get_html(url):#访问urlpage = urllib.request.urlopen(url)html = page.read().decode('utf-8')return html

 

将返回如下内容，这与在浏览器查看源码看到的是一样的，接下来可以根据返回的内容进行解析：

2、利用正则表达式的分组提取课程名称、课程简介、课程链接，导入python里面的re库

reg = r'<a href="([\s\S]*?)" title=[\s\S]*?<h4>(.+)</h4>\n<p>([\s\S]*?)</p>'#运用正则表达式，分组提取数据
reg_tutorial = re.compile(reg)#编译一下正则表达式，运行更快
tutorial_list = reg_tutorial.findall(get_html(my_url))#进行匹配，

到现在代码如下：

# coding:utf-8
import urllib.request
import remy_url='https://www.w3cschool.cn/tutorial'#要获取课程的网址def get_html(url):#访问urlpage = urllib.request.urlopen(url)html = page.read().decode('utf-8')return htmlreg = r'<a href="([\s\S]*?)" title=[\s\S]*?<h4>(.+)</h4>\n<p>([\s\S]*?)</p>'#运用正则表达式，分组提取数据
reg_tutorial = re.compile(reg)#编译一下正则表达式，运行更快
tutorial_list = reg_tutorial.findall(get_html(my_url))#进行匹配print("一共有课程数：" + str(len(tutorial_list)))#打印出有多少课程for i in range(len(tutorial_list)):#把课程名称、课程简介、课程链接写到excel，python里面excel从0开始计算print (tutorial_list[i])

运行，打印结果：

3、保存数据，保存数据到excel里面，用到excel第三方库xlwt，也可以只用openpyxl，库的使用可以参照官网：http://www.python-excel.org/

本次需要新建一个Excel，把课程名称、课程简介、课程链接写到Excel里面，课程链接用xlwt.Formula设置超链接，Excel第一行设置为宋体，加粗，写一些课程内容外的东西

import xlwt
excel_path=r'tutorial.xlsx'#excel的路径
book = xlwt.Workbook(encoding='utf-8', style_compression=0)# 创建一个Workbook对象，这就相当于创建了一个Excel文件
sheet = book.add_sheet('课程',cell_overwrite_ok=True)# 添加表
style = xlwt.XFStyle()#初始化样式
font = xlwt.Font()#创建字体
font.name = '宋体'#指定字体名字
font.bold = True#字体加粗
style.font = font#将该font设定为style的字体
sheet.write(0, 0, '序号',style)#用之前的style格式写第一行，行、列从0开始计算
sheet.write(0, 1, '课程',style)
sheet.write(0, 2, '简介',style)
sheet.write(0, 3, '课程链接',style)

写课程内容到Excel

for i in range(len(tutorial_list)):#把课程名称、课程简介、课程链接写到excel，python里面excel从0开始计算print (tutorial_list[i])sheet.write(i+1, 0, i+1)sheet.write(i+1, 1, tutorial_list[i][1])sheet.write(i+1, 2, tutorial_list[i][2])sheet.write(i+1, 3, xlwt.Formula("HYPERLINK(" +'"'+"https:" + tutorial_list[i][0]+'"'+')'))#把链接写进去，并用xlwt.Formula设置超链接
    
book.save(excel_path)#保存到excel

 

Excel内容：

全部代码如下：

# coding:utf-8
import urllib.request
import re
import xlwt
excel_path=r'tutorial.xlsx'#excel的路径
my_url='https://www.w3cschool.cn/tutorial'#要获取课程的网址
book = xlwt.Workbook(encoding='utf-8', style_compression=0)# 创建一个Workbook对象，这就相当于创建了一个Excel文件
sheet = book.add_sheet('课程',cell_overwrite_ok=True)# 添加表
style = xlwt.XFStyle()#初始化样式
font = xlwt.Font()#创建字体
font.name = '宋体'#指定字体名字
font.bold = True#字体加粗
style.font = font#将该font设定为style的字体
sheet.write(0, 0, '序号',style)#用之前的style格式写第一行，行、列从0开始计算
sheet.write(0, 1, '课程',style)
sheet.write(0, 2, '简介',style)
sheet.write(0, 3, '课程链接',style)def get_html(url):#访问urlpage = urllib.request.urlopen(url)html = page.read().decode('utf-8')return htmlreg = r'<a href="([\s\S]*?)" title=[\s\S]*?<h4>(.+)</h4>\n<p>([\s\S]*?)</p>'#运用正则表达式，分组提取数据
reg_tutorial = re.compile(reg)#编译一下正则表达式，运行更快
tutorial_list = reg_tutorial.findall(get_html(my_url))#进行匹配print("一共有课程数：" + str(len(tutorial_list)))#打印出有多少课程for i in range(len(tutorial_list)):#把课程名称、课程简介、课程链接写到excel，python里面excel从0开始计算print (tutorial_list[i])sheet.write(i+1, 0, i+1)sheet.write(i+1, 1, tutorial_list[i][1])sheet.write(i+1, 2, tutorial_list[i][2])sheet.write(i+1, 3, xlwt.Formula("HYPERLINK(" +'"'+"https:" + tutorial_list[i][0]+'"'+')'))#把链接写进去，并用xlwt.Formula设置超链接
    
book.save(excel_path)#保存到excel