设为首页 收藏本站
查看: 414|回复: 0

[经验分享] python 网页抓取经验

[复制链接]

尚未签到

发表于 2017-4-30 12:17:00 | 显示全部楼层 |阅读模式
一定要设置好user-agnet 和accept

#coding:utf-8
'''
Created on 2009-7-15
@author: Administrator
'''
import urllib2
import newhttplib
import lxml.html as x  
def getmusic(num,soc=None):
s=num.split(':')
s[0]=s[0].strip()
s[1]=s[1].strip()
s[2]=s[2].strip()
h1 = newhttplib.HTTPConnection('10.0.0.172',80)
hs={'Accept': 'text/html,application/xhtml+xml,application/xml','User-Agent': 'Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1) Gecko/20090624 Firefox/3.5'}
h1.auto_open = 0
h1.connect(soc)
url='http://218.200.160.29/s3/i/app/search/musicResult.jsp?qd=1956&CH=12530-wap-lslb&v=1864&tplpath=/s3/i/qrc/&type=all&keyword='+urllib2.quote(s[0].encode('utf-8')+" "+s[1].encode('utf-8'))
h1.request("GET",url,headers=hs)
r1 = h1.getresponse()
print r1.getheader('Content-Type')
content=r1.read()   
#content=content.decode('utf-8')
doc=x.document_fromstring(content)  
alist=doc.xpath("//a")
print s[0],s[1],len(alist)
for a in alist:
c1= a.text_content()
try:
if c1.find(s[0])>=0 and c1.find(s[1])>=0:
print c1
print c1.find(s[0]),c1.find(s[1])
nexturl='http://218.200.160.29'+a.get('href')
print nexturl
h1.request("GET",nexturl,headers=hs)
r1 = h1.getresponse()
content=r1.read()
print r1.getheaders()
#content=content.decode('utf-8')
print content
f=open('./b.html','wb')
f.write(content)
f.write(nexturl)
f.close()
doc=x.document_fromstring(content)  
blist=doc.xpath("//a")
print 'blen=',len(blist)
for b in blist:
bcontent=b.text_content()
if bcontent.find(u'高潮版')>=0:
print bcontent
bhref= b.get('href')
nnexturl='http://218.200.160.29'+bhref
h1.request("GET",nnexturl,headers=hs)
r1 = h1.getresponse()
ccontent=r1.read()
#content=content.decode('utf-8')
#print ccontent
doc=x.document_fromstring(ccontent)  
clist=doc.xpath("//a")
print 'clen=',len(clist)
for c in clist:
chref=c.get('href')
if chref.find('218.200.160.10')>=0:
print chref
sb2=s[2][11:]
print sb2
if chref.find(sb2)>=0:
print u'找到匹配歌曲开始下载。。。'
h1.request("GET",chref)
r1 = h1.getresponse()
print r1.status
print r1.getheaders()
except BaseException,e:
print e
if __name__ == '__main__':
#f=open('./test1.htm','wb')
#con=f.read()  
#print con
getmusic('相信:曾建军:600902000005714466')

运维网声明 1、欢迎大家加入本站运维交流群:群②:261659950 群⑤:202807635 群⑦870801961 群⑧679858003
2、本站所有主题由该帖子作者发表,该帖子作者与运维网享有帖子相关版权
3、所有作品的著作权均归原作者享有,请您和我们一样尊重他人的著作权等合法权益。如果您对作品感到满意,请购买正版
4、禁止制作、复制、发布和传播具有反动、淫秽、色情、暴力、凶杀等内容的信息,一经发现立即删除。若您因此触犯法律,一切后果自负,我们对此不承担任何责任
5、所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其内容的准确性、可靠性、正当性、安全性、合法性等负责,亦不承担任何法律责任
6、所有作品仅供您个人学习、研究或欣赏,不得用于商业或者其他用途,否则,一切后果均由您自己承担,我们对此不承担任何法律责任
7、如涉及侵犯版权等问题,请您及时通知我们,我们将立即采取措施予以解决
8、联系人Email:admin@iyunv.com 网址:www.yunweiku.com

所有资源均系网友上传或者通过网络收集,我们仅提供一个展示、介绍、观摩学习的平台,我们不对其承担任何法律责任,如涉及侵犯版权等问题,请您及时通知我们,我们将立即处理,联系人Email:kefu@iyunv.com,QQ:1061981298 本贴地址:https://www.yunweiku.com/thread-371192-1-1.html 上篇帖子: python的内置异常 下篇帖子: python去除html标签
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

扫码加入运维网微信交流群X

扫码加入运维网微信交流群

扫描二维码加入运维网微信交流群,最新一手资源尽在官方微信交流群!快快加入我们吧...

扫描微信二维码查看详情

客服E-mail:kefu@iyunv.com 客服QQ:1061981298


QQ群⑦:运维网交流群⑦ QQ群⑧:运维网交流群⑧ k8s群:运维网kubernetes交流群


提醒:禁止发布任何违反国家法律、法规的言论与图片等内容;本站内容均来自个人观点与网络等信息,非本站认同之观点.


本站大部分资源是网友从网上搜集分享而来,其版权均归原作者及其网站所有,我们尊重他人的合法权益,如有内容侵犯您的合法权益,请及时与我们联系进行核实删除!



合作伙伴: 青云cloud

快速回复 返回顶部 返回列表