浏览器抓取网页(抓取网页数据的思路有好，抓取抓取数据思路 )

　　浏览器抓取网页(抓取网页数据的思路有好，抓取抓取数据思路

)

　　抓取网页数据的方式很多，一般有：直接代码请求http、模拟浏览器请求数据（一般需要登录验证）、控制浏览器实现数据抓取等，本文不考虑复杂度，放一个小例子读取简单网页数据：

　　目标数据

　　将所有这些球员的超链接保存在 ittf 网站的此页面上。

　　数据请求

　　我真的很喜欢符合人类思维的库，比如请求。如果想直接取网页文字，一句话就可以做到：

doc = requests.get(url).text

　　解析html获取数据

　　以beautifulsoup为例，它包括获取标签、链接、按照html层次遍历等方法。请参阅此处以供参考。以下代码段从 ittf 网站获取指向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()