Python 爬虫学习笔记三:多页内容爬取&内容分析及格式化
- python int 与 string 之间的转换:
Python int与string之间的转化
string–>int1、10进制string转化为int
int(‘12’)
2、16进制string转化为int
int(‘12’, 16)
int–>string
1、int转化为10进制string
str(18)
2、int转化为16进制string
hex(18)
2 . 由于链家网上面选中第二页的时候,只是在页面后面多了一个“d2”, 如: http://sh.lianjia.com/ershoufang/pudong/d2 , 所以要想爬取更多的网页只需要循环更新requests 的页面URL
3 . 增加了一个循环之后,可以打印所有的爬取结果
from lxml import etree
import requests
import string
url = 'http://sh.lianjia.com/ershoufang/'
region = 'pudong'
price = 'p23'
finalURL = url+region+price
def spider_room(finallyURL):
r= requests.get(finallyURL)
html = requests.get(finalURL).content.decode('utf-8')
dom_tree = etree.HTML(html)
# all the messages
all_message = dom_tree.xpath("//ul[@class='js_fang_list']/li")
for index in range(len(all_message)):
print(all_message[index].xpath('string(.)').strip())
return
for i in range(20):
finallyURL = finalURL + '/d'+str(i)
spider_room(finallyURL)
4 . 爬取了20页的内容,可是内容的结果输出的形式并没有改变
【注】 看到的比较好的文章
[1] 利用Python爬取朋友圈数据,爬到你开始怀疑人生
[2] 请问爬虫如何爬取动态页面的内容?
[3] 如何用爬取的数据赚钱
[4] 钱塘数据大数据交易中心
[5] 利用爬虫技术能做到哪些很酷很有趣很有用的事情?