Python 爬虫之简单的爬虫（一）

news2024/11/15 8:12:39

爬取网页上所有链接

文章目录

爬取网页上所有链接
前言
一、基本内容
二、代码编写
- 1.引入库
- 2.测试网页
- 3.请求网页
- 4.解析网页并保存
三、如何定义请求头？
总结

前言

最近也学了点爬虫的东西。今天就先给大家写一个简单的爬虫吧。循序渐进，慢慢来哈哈哈哈哈哈哈哈哈哈哈

一、基本内容

主要是以下几部分（下文基本会按照这个步骤来写）：

导入需要的库
要测试的网页
生成代理，请求网页
请求成功，解析网页，找到并保存想要的东西
请求失败，返回相应状态码

二、代码编写

1.引入库

代码如下：

import requests
from bs4 import BeautifulSoup

requests： 这是一个非常流行的 Python 库，用于发送 HTTP 请求。它可以方便地让我们获取网页内容、下载文件、提交表单等网络操作。

BeautifulSoup： 这是一个用于解析 HTML 和 XML 文档的 Python 库。它能够将复杂的HTML文档转换成树形结构，使得我们可以轻松地搜索、遍历和修改文档中的元素。

2.测试网页

代码如下：

# 目标网页地址
url = 'http://www.santostang.com/'

3.请求网页

代码如下：

# 定义请求头的浏览器代理，伪装成浏览器
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome'
                  '/114.0.5735.289 Safari/537.36',
    'host': 'www.santostang.com'}

# 请求网页
response = requests.get(url, headers=headers)
print(response.text)

请求头header提供了关于请求、相应或其他发送实体的信息。总之一句话，这个很重要不能少。

不清楚这个请求头怎么搞的不要担心，下面我会另起一章节告诉大家怎么弄。

response.text 的内容如下图（下面会从这个里面检索获取我们想要的信息）：

在这里插入图片描述

4.解析网页并保存

代码如下：

# 状态码为200，请求成功
if response.status_code == 200:

    # 打印状态码
    print('Status Code: ', response.status_code)

    # 解析 HTML 文档
    soup = BeautifulSoup(response.text, 'html.parser')

    # 找到所有的 <a>, <img> 和 <form> 标签
    elements = soup.find_all(['a', 'img', 'form'])

    # 打开一个文本文档并写入
    with open('url.text', 'w', encoding='utf-8') as f:

        # 打印每个元素的 href、src 或 action 属性
        for element in elements:
            if element.name == 'a':
                link = element.get('href')
            elif element.name == 'img':
                link = element.get('src')
            elif element.name == 'form':
                link = element.get('action')

            if link is not None:
                # 每写入一个链接另起一行
                f.write(link + '\n')
 else:
    # 请求未成功，返回相应的状态码
    print(f'Failed to fetch the page with status code {response.status_code}')