第一周学会爬取网页信息总结

Posted wall9527

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了第一周学会爬取网页信息总结相关的知识,希望对你有一定的参考价值。


目标:爬取网页,获得自己需要的信息

步骤:

1. 导入需要的模块
2. 利用request向目标网站获得网页信息
3. 用BeautifulSoup解析所获得的网页
3. 获得需要的信息所在的标签内容
4. 精简标签获得关键信息
5. 获得关键信息之后,再处理(比如比大小)


1、导入需要的模块

BeautifulSoup模块:

BeautifulSoup:是一个可以从html和XML中读取数据的库。库也叫模块,在笨办法学Python中叫做特征,是其他程序员开发好的一些代码,可以拿来导入(import),然后调用。

from bs4 import BeautifulSoup

request模块:
request库:是Python中的一个HTTP网络请求库,用来简化网络请求!能够让你的Python程序向服务器发送HTTP请求,获得网页数据的库。

import requests

 time库:
如果我们太频繁的向服务器发送请求,服务器会察觉拒绝服务,导致IP被封,这个时候就需要time库控制时间。

import time

 

2、利用request向目标网站获得网页信息

客户端(用户)如果想浏览某个网页首先是向目标URL发送requests请求。

然后服务器在收到请求之后,返回一个response回应,如Response [200]表示收到,Response[404]表示服务器无法回应。如果返回的是200,则加载请求网页的信息。

如果目标网页是登录之后的网页,就需要用headers包含User-Agent和cookie等信息,一起requests过去,才能获得所需网页信息。

1 url = www.example.com #目标网站url
2 headers = {
3     User-Agent:****,    #包含的浏览器信息
4     Cookie:***         
5     }
6 
7 wb_data = requests.get(url,headers = headers)


3、用BeautifulSoup解析所获得的网页

获得网页信息之后,再用BeautifulSoup解析网页。

1 soup = BeautifulSoup(wb_data.text,lxml)


4、获得需要的信息所在的标签内容

解析网页之后,就需要定位所需信息所在的标签,这也是第一周的难点,也就是如何定位所需的信息的位置。

一般方法是在Chrome中检查网页,然后copy selector,会获得元素标签的selector路径。如果获得的信息是同一类型,那么就需要对多条selector进行对比,然后找出最优的selector路径,这些路径需要测试看获得的信息对不对。

例子代码:

1 images = Soup.select(body > div.main-content > ul > li > img)
2 titles = Soup.select(body > div.main-content > ul > li > div.article-info > h3 > a)
3 descs = Soup.select(body > div.main-content > ul > li > div.article-info > p.description)
4 rates = Soup.select(body > div.main-content > ul > li > div.rate > span)
5 cates = Soup.select(body > div.main-content > ul > li > div.article-info > p.meta-info)

 

5、精简标签获得关键信息

获得标签之后,还需要去掉其他没用的信息,得到关键信息。可以利用for... in...遍历信息,然后获得关键信息,装入一个序列或者字典中待用。

例子代码:

 1 info = []
 2 
 3 
 4 #code
 5 
 6 
 7 for title,image,desc,rate,cate in zip(titles,images,descs,rates,cates):
 8     data = {
 9         title: title.get_text(),      # get_text()去除html标签,获得文本信息。
10         rate: rate.get_text(),
11         desc: desc.get_text(),
12         cate: list(cate.stripped_strings),        # stripped_strings获得一个父级标签下所有子标签的文本信息
13         image: image.get(src),      # get()获得某个标签的属性
14     }
15     info.append(data)   #append在列表末尾添加新的对象


6、获得关键信息之后,再处理

最后再从上一步中待用的序列或者字典中,取出信息,操作,可以是比大小或者打印出来。也就是我们要爬取这些信息的目的。

7、注意:

如果将以上代码封装进一个函数里面,然后在利用此函数爬取不同网页的时候,需要在requests网页之后,再加入一个等待时间,就是time模块的用处。

代码:

1 wb_data = requests.get(url,headers = headers)
2 time.sleep(5)

5代表5秒,这样操作主要是为了防止服务器接受requests请求太频繁,拒绝服务,甚至封掉IP,是一个保护措施。

课时(9-17)总结















































以上是关于第一周学会爬取网页信息总结的主要内容,如果未能解决你的问题,请参考以下文章

如何入门 Python 爬虫

python网络爬虫怎么学习

如何一个月入门Python爬虫,轻松爬取大规模数据

知乎python 爬虫如何入门学习

python爬虫学习教程哪个好?

第一周学习总结