Python简单爬虫

Posted 2020-11-26 恶魔岛

简单抓取网页的代码

import requests#导入requests包
from bs4 import BeautifulSoup#从bs4中导入BeauifulSoup包
import re#导入正则表达式的包

r = requests.get("http://baidu.com")
r.encoding = ‘utf-8‘#就没有进行其他异常判断了，做个简单的HTML网页的爬虫
soup = BeautifulSoup(r.text)
type(soup)#查看当前soup对象的类型
r.head#此后就可以抓取rr对象的属性了，比如head，title,body等

如果要抓取本地的静态网页的代码的话，我曾经抓取不成功，但是我想了其他的办法，还是使用上述代码，只不过url地址换成了本地的文件地址了而已，需要注意的是，我是在IDEA里面编写并且运行我的HTML代码的，并且通过IDEA生成了一个本地局域网的端口，复制它的路径，再导入url中，即可抓取本地静态HTML代码，如果我把这个浏览器或则IDEA关了的话，则python抓取的时候则会报错。

下面是爬虫爬取大学排名的代码：

import requests
from bs4 import BeautifulSoup
allUniv = []#建立一个二维列表，存储所有表格信息
def getHTMLText(url):#获取传入的地址
    try:#进行异常的处理
        r = requests.get(url,timeout = 30)#参数1：某网页的url地址，参数2：设定每次请求超时时间为n秒
        r.raise_for_status()#如果次参数不是200，则产生异常，进入异常处理语句，否则程序继续往下走
        r.encoding = ‘utf-8‘#将获取的内容转码，使中文能够正常显示而不会产生乱码
        return r.text#HTTP相应内容的字符串形式，即url对应的页面内容
    except:
        return ""
def fillUnivList(soup):
    data = soup.find_all(‘tr‘)#通过soup对象的find_all属性找到抓取的网页中的所有tr标签
    for tr in data:
        ltd = tr.find_all(‘td‘)#再在每个tr标签中找到所有的td标签
        if len(ltd) == 0:#如果这一行的tr中的td标签数为0个的话，则跳过这个tr,继续进行下一个
            continue
        singleUniv = []#将这个大学的各项信息载入列表
        for td in ltd:
            singleUniv.append(td.string)#提取已载入singleUniv列表的td标签中的信息,
        allUniv.append(singleUniv)#提取singleUniv列表中的信息到allUniv列表中
def printUnivList(num):
    print("{1:^2}{2:{0}^10}{3:{0}^6}{4:{0}^4}{5:{0}^10}".format(chr(12288),"排名","学校名称","省份","总分","培养规模"))#注意输出格式的控制
    for i in range(num):
        u = allUniv[i]
        print("{1:^2}{2:{0}^10}{3:{0}^6}{4:{0}^4}{5:{0}^10}".format(chr(12288),u[0],u[1],u[2],eval(u[3]),u[6]))
def main(num):
    url = ‘http://www.zuihaodaxue.cn/zuihaodaxuepaiming2019.html‘#设定网页的地址
    html = getHTMLText(url)#将url地址传入函数，返回字符串形式给变量html
    soup = BeautifulSoup(html,"html.parser")#生成一个soup的对象，此时soup就是一个BeautifulSoup对象
    fillUnivList(soup)#将soup对象传入函数
    printUnivList(num)
main(300)
            

在代码中都有详细的注释即理解，希望对你有所帮助。

下面是搜索关键字自动提交的爬虫代码：

import requests
from bs4 import BeautifulSoup
import re
import json
def getKeywordResult(keyword):
    url = ‘http://www.baidu.com/s?wd=‘+keyword
    try:
        r = requests.get(url, timeout=30)
        r.raise_for_status()
        r.encoding = ‘utf-8‘
        return r.text
    except:
        return ""
def parserLinks(html):
    soup = BeautifulSoup(html, "html.parser")
    links = []
    for div in soup.find_all(‘div‘, {‘data-tools‘: re.compile(‘title‘)}):
        data = div.attrs[‘data-tools‘]  #获得属性值
        d = json.loads(data)        #将属性值转换成字典
        links.append(d[‘title‘])    #将返回链接的题目返回
    return links
def main():
    html = getKeywordResult(‘Python语言程序设计基础(第2版)‘)
    ls = parserLinks(html)
    count = 1
    for i in ls:
        print("[{:^3}]{}".format(count, i))
        count += 1
main()

相关操作与其步骤的含义与其上的代码如出一辙，请仔细参悟

下面给出requests库的相关属性

requests库是一个简洁且简单的处理HTTP请求的第三方库，它的最大优点是程序边学过程更接近正常URL访问过程。requests库支持非常丰富的链接访问功能，包括国际域名和URL获取、HTTP长连接和连接缓存、HTTP会话和Cookie保持、浏览器使用风格的SSL验证、基本的摘要认证、有效的键值对Cookie记录、自动解压缩、自动内容解码、文件分块上传、HTTP(S)代理功能、连接超时处理、流数据下载等。

网络爬虫和信息提交只是requests库能支持的基本功能，requests库中的网页请求函数：

get(url,timeout = n)　　对应HTTP的get方式，获取网页最常用的方法，可以增加timeout=n参数，设定每次请求超时时间为n秒

post(url,data = {‘key‘:‘value‘})　　对应HTTP的post方式，其中字典用于传递客户数据

delete(url)　　对应于HTTP的delete方式

head(url)　　对应于HTTP的head方式

options(url)　　对应于HTTP的options方式

put(url,data = {‘key‘:‘value‘})　　对应于HTTP的put方式，其中字典用于传递客户数据

requests.get()代表请求过程，它返回的Response对象代表响应,Response对象的属性如下：

status_code:HTTP请求的返回状态，整数，200表示连接成功，404表示失败

text：HTTP响应内容的字符串形式，即url对应的页面内容

encoding：HTTP响应内容的编码方式

content：HTTP响应内容的二进制形式

Response对象的方法：

json():如果HTTP响应内容包含JSON格式数据，则该方法解析JSON数据

raise_for_status():如果不是200，则产生异常

-------------------------------------------------------------------------------------------------------------------------

beautifulsoup4库的使用

使用requests库获取HTML页面并将其转化成字符串后，需要进一步解析HTML页面格式，提取有用信息，这需要处理HTML和XML的函数库。beautifulsoup4库，也成为Beautiful Soup库或者bs4库，用于解析和处理HTML和XML。需要注意的是，它不是BeautifulSoup库。它的最大优点是能根据HTML和XML语法建立解析树，进而高效解析其中的内容。beautifulsoup4库采用面向对象思想实现，简单地说，它把每个页面当作一个对象，通过<a>.<b>()的凡是调用方法（即处理函数）,BeautifulSoup中常用的一些属性如下：

head：HTML页面的<head>内容

title：HTML页面标题，在<head>之中，有<title>标记

body：HTML页面的<body>内容

p：HTML页面中第一个<p>内容

strings：HTML页面所有呈现在Web上的字符串，即标签的内容

stripped_strings：HTML页面所有呈现在Web上的非空格字符串

BeautifulSoup属性与HTML的标签名称相同，远不止这些。

标签对象的常用属性：

name：字符串，标签的名字，比如div

attrs：字典，包含了原来页面Tag所有的属性，比如href

contents：列表，这个Tag下所有子Tag的内容

string：字符串，Tag所包围的文本，网页中真是的文字，string属性的返回值遵循如下原则：

（1）如果标签内部没有其他标签，string属性返回其中的内容。

（2）如果标签内部还有其他标签，但只有一个标签，string属性返回最里面标签的内容。

（3）如果标签内部有超过1层嵌套的标签，string属性返回None（空字符串）。

BeautifulSoup其中的两个方法（这两个方法会遍历整个HTML文档，按照条件返回标签内容）：

BeautifulSboup.find_all(name,attrs,recursive,string,limit)

作用：根据参数找到对应的标签，返回列表类型。参数如下：

name：按照tag标签，名字用字符串形式表示，例如div、li。

attrs：按照tag标签属性值检索，需要列出属性名称和值，采用JSON表示。

recursive：设置查找层次，只查找当前标签下一层时使用recursive=False。

string：按照关键字检索string属性内容，采用string=开始。

limit：返回结果的个数，默认返回全部结果。

简单地说，BeautifulSoup的find_all()方法可以根据标签名字、标签属性和内容检索并返回标签列表，通过片段字符串检索时需要使用正则表达式re函数库，re时Python标准库，直接通过import re即可使用。采用re.comlile(‘jquery‘)实现对片段字符串(如‘jquery’)的检索。当对标签属性检索时，属性和对应的值采用JSON格式，例如：‘src‘:re.compile(‘jquery‘)，其中，键值对中值的部分可以是字符串或者正则表达式。

除了find_all()方法，BeautifulSoup类还提供一个find()方法，它们的区别只是前者返回全部结果而后者返回找到的第一个结果，find_all()函数由于可能返回更多结果，所以采用列表形式：find()函数返回字符串形式。

BeautifulSoup.find(name,attrs,recursive,string)

作用：根据参数找到对应标签，采用字符串返回找到的第一个值。

参数：与find_all()方法一样。