爬虫学习贴，大神请进解惑。本网页将不定期更新升级爬虫
该贴用来学习爬虫。初步编了一个爬虫，用来爬电影天堂中欧美电影的网址。已能实现在第一页里爬取电影名称及网页网址，放在一个csv文件里。疑问是beautifulsoup对象的编码存在问题，网页是gb2312编码，用了gbk，但内容仍显示错码，请大神解决。 本帖最后由 易水寒楠 于 2017-2-7 22:58 编辑
以下为代码：
#-*- coding:utf8 -*-
import requests
import re
from bs4 import BeautifulSoup
import csv
def getHtml(url): #获取网址并形成requests对象并编码
res=requests.get(url)
html=res.text.encode('utf-8',errors='ignore')
return html
def getPageUrl(html): #解析网页，获取网址对象
bs0bj=BeautifulSoup(html,from_encoding='gbk')
reg=re.compile(r'/html/gndy/\w{4}/\d{8}/\d{4,10}.html')
pages=bs0bj.findAll('a', {'href':reg})
return pages
if __name__ == '__main__':
url='http://www.ygdy8.net/html/gndy/oumei/index.html'
html=getHtml(url)
pages=getPageUrl(html)
csvFile=open('I:/编程学习/spider/movie.csv','w+')
sheet=csv.writer(csvFile)
sheet.writerow(('电影名称','电影介绍及下载网页网址'))
preurl='http://www.ygdy8.net/html/gndy'
for page in pages:
sheet.writerow((page.get_text(),preurl+page['href']))
csvFile.close() 以下为运行后输出：
C:\Users\chennan\AppData\Local\Programs\Python\Python35-32\python.exe I:\编程学习\spider\.idea\dytt8-movie.py
C:\Users\chennan\AppData\Local\Programs\Python\Python35-32\lib\site-packages\bs4\__init__.py:181: UserWarning: No parser was explicitly specified, so I'm using the best available HTML parser for this system ("html.parser"). This usually isn't a problem, but if you run this code on another system, or in a different virtual environment, it may use a different parser and behave differently.
The code that caused this warning is on line 20 of the file I:\编程学习\spider\.idea\dytt8-movie.py. To get rid of this warning, change code that looks like this:
BeautifulSoup()
to this:
BeautifulSoup(, "html.parser")
markup_type=markup_type))
进程已结束,退出代码0
保存的文件，请注意红圈处乱码 本帖最后由 易水寒楠 于 2017-2-7 22:59 编辑
请大神指导解决。我一定好好学习{:5_92:} 这位哥哥，帖子发错地方啦{:10_245:} 爬虫升级，现在已可以爬到所有欧美电影的网页网址。单单利用其网页的序号结构迭代实现。
__author__ = 'chennan'
#-*- coding:utf8 -*-
import requests
import re
from bs4 import BeautifulSoup
import csv
def getHtml(url): #获取网址并形成requests对象并编码
res=requests.get(url)
html=res.text.encode('utf-8',errors='ignore')
return html
def getPageUrl(html): #解析网页，获取网址对象
bs0bj=BeautifulSoup(html,from_encoding='gbk')
reg=re.compile(r'/html/gndy/\w{4}/\d{8}/\d{4,10}.html')
pages=bs0bj.findAll('a', {'href':reg})
return pages
if __name__ == '__main__':
preurl='http://www.ygdy8.net/html/gndy/oumei/'
csvFile=open('I:/编程学习/spider/movie.csv','w+')
sheet=csv.writer(csvFile)
sheet.writerow(('电影名称','电影介绍及下载网页网址'))
for count in range(1,160):
x=count
urls=preurl+'list_7_'+str(x)+'.html' #每一页网页都是http://www.ygdy8.net/html/gndy/oumei/list_7_N.html形式，N是1~159数字
html=getHtml(urls)
pages=getPageUrl(html)
prepageurl='http://www.ygdy8.net/html/gndy'
for page in pages:
sheet.writerow((page.get_text(),prepageurl+page['href']))
csvFile.close()
零度非安全 发表于 2017-2-7 23:23
这位哥哥，帖子发错地方啦
能帮我换个地方吗
页:
[1]