用Python程序抓取网页的HTML信息的一个小实例

抓取网页数据的思路有好多种，一般有：直接代码请求http、模拟浏览器请求数据（通常需要登录验证）、控制浏览器实现数据抓取等。这篇不考虑复杂情况，放一个读取简单网页数据的小例子：
目标数据

将ittf网站上这个页面上所有这些选手的超链接保存下来。

数据请求

真的很喜欢符合人类思维的库，比如requests，如果是要直接拿网页文本，一句话搞定：

    doc = requests.get(url).text

解析html获得数据

以beautifulsoup为例，包含获取标签、链接，以及根据html层次结构遍历等方法。参考见这里。下面这个片段，从ittf网站上获取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()