Python3爬虫学习之将爬取的信息保存到本地的方法详解


Posted in Python onDecember 12, 2018

本文实例讲述了Python3爬虫学习之将爬取的信息保存到本地的方法。分享给大家供大家参考,具体如下:

将爬取的信息存储到本地

之前我们都是将爬取的数据直接打印到了控制台上,这样显然不利于我们对数据的分析利用,也不利于保存,所以现在就来看一下如何将爬取的数据存储到本地硬盘。

1 对.txt文件的操作

读写文件是最常见的操作之一,python3 内置了读写文件的函数:open

open(file, mode='r', buffering=-1, encoding=None, errors=None, newline=None, closefd=True, opener=None))
Open file and return a corresponding  file object. If the file cannot be opened, an OSError
 is raised.

其中比较常用的参数为file和mode,参数file为文件的路径,参数mode为操作文件的方式(读/写),函数的返回值为一个file对象,如果文件操作出现异常的话,则会抛出 一个OSError

还以简书首页文章题目为例,将爬取到的文章标题存放到一个.txt文件中,具体代码如下:

# -*- coding:utf-8 -*-
from urllib import request
from bs4 import BeautifulSoup
url = r'http://www.jianshu.com'
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
page = request.Request(url, headers=headers)
page_info = request.urlopen(page).read().decode('utf-8')
soup = BeautifulSoup(page_info, 'html.parser')
titles = soup.find_all('a', 'title')
try:
  # 在E盘以只写的方式打开/创建一个名为 titles 的txt文件
  file = open(r'E:\titles.txt', 'w')
  for title in titles:
  # 将爬去到的文章题目写入txt中
    file.write(title.string + '\n')
finally:
  if file:
    # 关闭文件(很重要)
    file.close()

open中mode参数的含义见下表:

符号 含义
r' 以只读模式打开文件(默认模式)
w' 以只写的方式打开文件,如果文件存在的话会先删除再重新创建
x' 以独占的方式打开文件,如果文件已经存在则错误
a' 以写的形式打开文件,若文件已存在,则以追加的方式写入
b' 二进制模式
t' 文本模式(默认)
+' 更新文件(读/写)

其中't'为默认模式,'r'相当于'rt',符号可以叠加使用,像'r+b'

另外,对文件操作一定要注意的一点是:打开的文件一定要关闭,否则会占用相当大的系统资源,所以对文件的操作最好使用try:...finally:...的形式。但是try:...finally:...的形式会使代码显得比较杂乱,所幸python中的with语句可以帮我们自动调用close()而不需要我们写出来,所以,上面代码中的try:...finally:...可使用下面的with语句来代替:

with open(r'E:\title.txt', 'w') as file:
  for title in titles:
    file.write(title.string + '\n')

效果是一样的,建议使用with语句

Python3爬虫学习之将爬取的信息保存到本地的方法详解

2 图片的储存

有时候我们的爬虫不一定只是爬取文本数据,也会爬取一些图片,下面就来看怎么将爬取的图片存到本地磁盘。

我们先来选好目标,知乎话题:女生怎么健身锻造好身材? (单纯因为图多,不要多想哦 (# _ # ) )

看下页面的源代码,找到话题下图片链接的格式,如图:

Python3爬虫学习之将爬取的信息保存到本地的方法详解

可以看到,图片在img标签中,且class=origin_image zh-lightbox-thumb,而且链接是由.jpg结尾,我们便可以用Beautiful Soup结合正则表达式的方式来提取所有链接,如下:

links = soup.find_all('img', "origin_image zh-lightbox-thumb",src=re.compile(r'.jpg$'))

提取出所有链接后,使用request.urlretrieve来将所有链接保存到本地

Copy a network object denoted by a URL to a local file. If the URL points to a local file, the object will not be copied unless filename is supplied. Return a tuple (filename, headers)
where filename is the local file name under which the object can be found, and headers is whatever the info()
method of the object returned by urlopen()
 returned (for a remote object). Exceptions are the same as for urlopen()
.

具体实现代码如下:

# -*- coding:utf-8 -*-
import time
from urllib import request
from bs4 import BeautifulSoup
import re
url = r'https://www.zhihu.com/question/22918070'
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
page = request.Request(url, headers=headers)
page_info = request.urlopen(page).read().decode('utf-8')
soup = BeautifulSoup(page_info, 'html.parser')
# Beautiful Soup和正则表达式结合,提取出所有图片的链接(img标签中,class=**,以.jpg结尾的链接)
links = soup.find_all('img', "origin_image zh-lightbox-thumb",src=re.compile(r'.jpg$'))
# 设置保存的路径,否则会保存到程序当前路径
local_path = r'E:\Pic'
for link in links:
  print(link.attrs['src'])
  # 保存链接并命名,time防止命名冲突
  request.urlretrieve(link.attrs['src'], local_path+r'\%s.jpg' % time.time())

运行结果

Python3爬虫学习之将爬取的信息保存到本地的方法详解

PS:希望大家进行图片爬取的时候,尽量不要将爬下来图片作为商用,特别是摄影作品,都是具有版权的,嗯。。。还有就是注意营养哦~~~

更多关于Python相关内容可查看本站专题:《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串操作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录操作技巧汇总》

希望本文所述对大家Python程序设计有所帮助。

Python 相关文章推荐
python3 pillow生成简单验证码图片的示例
Sep 19 Python
PyQt5利用QPainter绘制各种图形的实例
Oct 19 Python
在Pycharm中使用GitHub的方法步骤
Jun 13 Python
python基于socket进行端口转发实现后门隐藏的示例
Jul 25 Python
详解程序意外中断自动重启shell脚本(以Python为例)
Jul 26 Python
python3实现raspberry pi(树莓派)4驱小车控制程序
Feb 12 Python
重写django的model下的objects模型管理器方式
May 15 Python
python3爬虫中多线程进行解锁操作实例
Nov 25 Python
Python性能测试工具Locust安装及使用
Dec 01 Python
Python爬虫之App爬虫视频下载的实现
Dec 08 Python
python实现跨年表白神器--你值得拥有
Jan 04 Python
python flappy bird小游戏分步实现流程
Feb 15 Python
对python制作自己的数据集实例讲解
Dec 12 #Python
Python3爬虫学习之爬虫利器Beautiful Soup用法分析
Dec 12 #Python
Python解决线性代数问题之矩阵的初等变换方法
Dec 12 #Python
对python数据切割归并算法的实例讲解
Dec 12 #Python
python实现文本界面网络聊天室
Dec 12 #Python
Python3爬虫学习之应对网站反爬虫机制的方法分析
Dec 12 #Python
python实现简单多人聊天室
Dec 11 #Python
You might like
php 保留小数点
2009/04/21 PHP
PHP 分页原理分析,大家可以看看
2009/12/21 PHP
PHP中for与foreach的区别分析
2011/03/09 PHP
CI框架常用函数封装实例
2016/11/21 PHP
特殊字符、常规符号及其代码对照表
2006/06/26 Javascript
checkbox 复选框不能为空
2009/07/11 Javascript
js 蒙版进度条(结合图片)
2010/03/10 Javascript
js弹窗代码 可以指定弹出间隔
2010/07/03 Javascript
jQuery源码分析-04 选择器-Sizzle-工作原理分析
2011/11/14 Javascript
jquery入门必备的基本认识及实例(整理)
2013/06/24 Javascript
JQuery实现绚丽的横向下拉菜单
2013/12/19 Javascript
window.open 以post方式传递参数示例代码
2014/02/27 Javascript
《JavaScript DOM 编程艺术》读书笔记之JavaScript 语法
2015/01/09 Javascript
JavaScript使用setInterval()函数实现简单轮询操作的方法
2015/02/02 Javascript
深入浅析JS的数组遍历方法(推荐)
2016/06/15 Javascript
EasyUI Combobox设置默认值 获取text的方法
2016/11/28 Javascript
Node.JS 循环递归复制文件夹目录及其子文件夹下的所有文件
2017/09/18 Javascript
jquery实现倒计时小应用
2017/09/19 jQuery
JS实现模糊查询带下拉匹配效果
2018/06/21 Javascript
在Linux下调试Python代码的各种方法
2015/04/17 Python
Python实现批量读取word中表格信息的方法
2015/07/30 Python
python 计算数组中每个数字出现多少次--“Bucket”桶的思想
2017/12/19 Python
解决pycharm安装后代码区不能编辑的问题
2018/10/28 Python
python读出当前时间精度到秒的代码
2019/07/05 Python
使用Python自动生成HTML的方法示例
2019/08/06 Python
python爬虫 猫眼电影和电影天堂数据csv和mysql存储过程解析
2019/09/05 Python
基于python判断目录或者文件代码实例
2019/11/29 Python
PyCharm 光标变成黑块的解决方式
2021/02/06 Python
Linux Interview Questions For software testers
2013/05/17 面试题
资料员的岗位职责
2013/11/20 职场文书
报关报检委托书
2014/04/08 职场文书
2014年政协工作总结
2014/12/09 职场文书
委托公证书格式
2015/01/26 职场文书
中班上学期个人总结
2015/02/12 职场文书
2015年万圣节活动总结
2015/03/24 职场文书
养成教育工作总结
2015/08/13 职场文书