用Python程序抓取网页的HTML信息的一个小实例


            抓取网页数据的思路有好多种，一般有：直接代码请求http、模拟浏览器请求数据（通常需要登录验证）、控制浏览器实现数据抓取等。这篇不考虑复杂情况，放一个读取简单网页数据的小例子：

目标数据

将ittf网站上这个页面上所有这些选手的超链接保存下来。





数据请求

真的很喜欢符合人类思维的库，比如requests，如果是要直接拿网页文本，一句话搞定：





doc = requests.get(url).text







解析html获得数据

以beautifulsoup为例，包含获取标签、链接，以及根据html层次结构遍历等方法。参考见这里。下面这个片段，从ittf网站上获取指定页面上指定位置的链接。





url = 'http://www.ittf.com/ittf_ranking/WR_Table_3_A2.asp?Age_category_1=&Age_category_2=&Age_category_3=&Age_category_4=&Age_category_5=&Category=100W&Cont=&Country=&Gender=W&Month1=4&Year1=2015&s_Player_Name=&Formv_WR_Table_3_Page='+str(page)

doc = requests.get(url).text

soup = BeautifulSoup(doc)

atags = soup.find_all('a')

rank_link_pre = 'http://www.ittf.com/ittf_ranking/'



mlfile = open(linkfile,'a')

for atag in atags:

  #print atag

  if atag!=None and atag.get('href') != None:

    if "WR_Table_3_A2_Details.asp" in atag['href']:

      link = rank_link_pre + atag['href']

      links.append(link)

      mlfile.write(link+'\n')

      print 'fetch link: '+link

mlfile.close()