python网络爬虫入门（二）

时间：2022-04-12 20:21:50

刚去看了一下，18年2月份写了第一篇关于爬虫的文章（仅仅介绍了使用requests库去获取HTML代码），一年多之后看来很稚嫩也没有多少参考的意义，但没想着要去修改它，留着也是一个回忆吧。至少证明着我是有些许进步的，愿你也是一样！

下面是它的姊妹篇，介绍使用requests和bs4(BeautifulSoup)库来爬取静态网页中的信息。

爬虫从黑盒的角度来看，就是给出网页的链接，输出你想要的信息的一段程序。大概会涉及这几个步骤：

python网络爬虫入门（二）

1. 使用requests+re正则

单纯使用requests库来做，需要会写正则表达式，这里借助之前的那篇 爬取猫眼Top100榜单 来讲。

第一步——获取HTML代码

一般使用requests库get()方法，这里封装成为一个函数

 def get_one_page(url):

     try:

         headers = {

             'user-agent':'Mozilla/5.0'

         }

         # use headers to avoid 403 Forbidden Error(reject spider)

         response = requests.get(url, headers=headers)

         if response.status_code == 200 :

             return response.text
         return None

     except RequestException:

         return None

第二部——分析页面HTML代码，写正则表达式，提取信息

先来看页面

python网络爬虫入门（二）

分析它的HTML，我目前需要排名、片名、主演、上映时间和评分信息。

python网络爬虫入门（二）

可以看到，榜单中每一个电影条目都在一组<dd></dd>标签中，而且所需的信息也很明确，我们来写正则，正则的关键在于找好独一无二的参照（已在途中方格标出）

re_text =

'<dd>.*?board-index.*?>(\d+)<.*?<a.*?title="(.*?)"'
+'.*?data-src="(.*?)".*?</a>.*?star">[\\s]*(.*?)[\\n][\\s]*</p>.*?'
+'releasetime">(.*?)</p>.*?integer">(.*?)</i>.*?'
+'fraction">(.*?)</i>.*?</dd>'
 def parse_one_page(html):

     pattern = re.compile('<dd>.*?board-index.*?>(\d+)<.*?<a.*?title="(.*?)"'

                          +'.*?data-src="(.*?)".*?</a>.*?star">[\\s]*(.*?)[\\n][\\s]*</p>.*?'

                          +'releasetime">(.*?)</p>.*?integer">(.*?)</i>.*?'

                          +'fraction">(.*?)</i>.*?</dd>', re.S)

     items = re.findall(pattern, html)

     return items

先编译正则表达式成为pattern，然后在页面中findall符合条件的信息。这样就会将正则表达式匹配到的所有信息，以一个列表的形式返回。

第三部——持久化存储数据

我所做的实践由于数据量较小，目前都是采用excel(*.xlsx)来存储。需要用到一个openpyxl库，自行安装即可，它的使用教程有很多，不是我所述的主要内容，烦请自行学习。

已经爬到的数据

python网络爬虫入门（二）

注意：上面所讲的是获取一个页面（含20条信息，该榜单有100条，势必会有分页），所以URL肯定需要替换，但是肯定是有规律的（具体的看这篇博客吧 猫眼top100 ）

2. 使用bs4(BeautifulSoup)筛选器

使用bs4库，需要先自己安装一下。

所谓筛选器，即相当于我们上面正则表达式中的“参考”，即：锚点。通过筛选器，可以非常方便的获取页面当中的信息。下面讲一个例子，就明白了。

栗子：

获取博客园新闻板块第一条的新闻title，先来瞧瞧HTML和selector。

python网络爬虫入门（二）

代码：

 # -*- coding: utf-8 -*-

 # @Author  : yocichen

 # @Email   : yocichen@126.com

 # @File    : test_bs4.py

 # @Software: PyCharm

 # @Time    : 2019/11/15 10:23

 import requests

 from bs4 import BeautifulSoup

 import lxml

 url = 'https://www.cnblogs.com/news/'

 headers = {

     'user-agent':'Mozilla/5.0'

 }

 # 获取HTML

 html = requests.get(url, headers=headers)

 # 解析HTML

 soup = BeautifulSoup(html.text, 'lxml')

 # 筛选器筛选信息

 selector = '#post_list > div:nth-child(2) > div.post_item_body > h3 > a'

 res = soup.select(selector)

 print('博客园新闻板块第一条title\n', res[0].string)

结果：

python网络爬虫入门（二）

可以看到，获取selector十分简单，chrome浏览器或者其他浏览器也有支持，这样一来就避免了去写繁杂的正则表达还写不出来的窘境。

最终的持久化存储过程，同上，不再赘述。

后记

python爬虫入门篇就此结束了，爬虫深入的话还涉及到防止反爬，以及爬取动态页面等问题，有机会的话会再学习再写一篇。

以上内容其实是对我最近所学所做的总结，如果你从中也有些许收获，不妨点个“推荐”吧！

相关文章