Python———爬蟲學習總結

首先這次學習的是利用寫Python腳本對網頁信息的獲取，并且把他保存到我們的數據庫里最后形成一個Excel表格

下載第三方模塊和源碼安裝MongoDB

剛開始我們需要做一些準備：
先安裝第三方模塊

https://fastdl.mongodb.org/linux/mongodb-linux-x86_64-rhel70-3.2.5.tgz

思路如下：

1.訪問網站，拿到html網頁

headers獲取：

腳本1：

運行前打開mongod :

             ./mongod &  

2.提取html里面我們想要的內容

腳本2：

Long Jump 和 View Graph 是根據他們可以定位到我們想獲取的信息的標簽上

這個腳本寫完不需要運行，他的url是由第三個腳本導入的

3.把我們爬到的內容存到數據庫中

腳本3：

運行前都要檢查MongoD是否運行，運行后可進入數據庫去看我們存入的信息
在MongoDB的bin下

./mongo

use iaaf

db.athletes.find()

4.轉成Excel表格

腳本4：

5.requests，pymongo，bs4的用法總結

requests是一個很實用的Python HTTP客戶端庫，編寫爬蟲和測試服務器響應數據時經常會用到。可以說，Requests 完全滿足如今網絡的需求

1.作用：發送請求獲取響應為什么使用requesst？
1)requests底層實現的是urllib2)requests在python2和python3中通用，方法完全一樣
3）requests簡單易用（python特性）
4）requests能夠幫助我們解壓響應內容（自動解壓完善請求頭，自動獲取cookie）

2. 發送簡單的get請求、獲取響應response = requests.get(url)

pymongo是python操作 mongodb的工具包

bs4概念：

bs4庫是解析、遍歷、維護、"標簽樹"的功能庫
通俗一點說就是：bs4庫把HTML源代碼重新進行了格式化，
從而方便我們對其中的節點、標簽、屬性等進行操作
2.BS4的4中對象
①Tag對象：是html中的一個標簽，用BeautifulSoup就能解析出來Tag的具體內容，具體
的格式為‘soup.name‘,其中name是html下的標簽。
②BeautifulSoup對象：整個html文本對象，可當作Tag對象
③NavigableString對象：標簽內的文本對象
④Comment對象：是一個特殊的NavigableString對象，如果html標簽內存在注釋，那么它可以過濾掉注釋符號保留注釋文本
最常用的還是BeautifulSoup對象和Tag對象