有时候因为某些需求需要爬取某个网页中某个表格里的数据,这时候如果这个页面只有这一个表格的时候,那么抓取就比较容易了,但是当这个页面中有大量的表格的时候,再使用之前的方法,就会发现虽然也能抓取到要的数据,但是还有一大堆冗余。
这时候,就可以使用下面这种方法
就以里的表格为例
#coding:utf-8import reimport urllib2url='http://58921.com/'header={ 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.90 Safari/537.36'}request=urllib2.Request(url,headers=header)page_code=urllib2.urlopen(request).read()# 从网页源码中找到你要抓取表格的下列信息# 表格开头start_code='
(.*?) | (.*?) | (.*?) | (.*?) | (.*?) | '# 这里通过 start和end指定在整个页面中你所寻找的表格start=page_code.find(start_code)end=page_code.find(end_code)find=page_code[start:end]final_find=re.findall(find_code,find)for x in final_find: print ','.join(x)print 'finish'