【工程记录】Python爬虫入门记录（Requests BeautifulSoup）

news2024/11/17 15:40:01

写在前面

仅作个人学习与记录用。主要整理使用Requests和BeautifulSoup库的简单爬虫方法。在进行数据爬取时，请确保遵守相关法律法规和网站的服务条款，尊重数据版权和用户隐私。同时，合理安排爬虫的访问频率，避免对目标网站造成不必要的负担。

1. 环境配置

安装Requests：
直接通过pip安装即可：pip install requests

安装BeatifulSoup：
直接通过pip安装即可：pip install beautifulsoup4
注意导入库时不能import beautifulsoup4，需要import bs4

2. 获取网页数据

import requests
from bs4 import BeautifulSoup
#res = requests.post('url')
res = requests.get('url')

nginx等web服务器不允许post访问静态资源。因此如果使用post访问页面也是报错，可以尝试使用get方式访问。

如果在使用requests.get()或requests.post()访问https请求时出现了SSLError，即显示Can’t connect to HTTPS URL because the SSL module is not available.时，需要将下述两种文件从bin文件夹复制到DLLs文件夹下：

libcrypto-1_1-x64.*
libssl-1_1-x64.*
[Anaconda安装路径]\Library\bin -> [Anaconda安装路径]\DLLs

如果是anaconda虚拟环境，需要将文件拷贝到相应的环境DLLs文件夹下，例如：

[Anaconda安装路径]\envs\[虚拟环境名]\Library\bin -> [Anaconda安装路径]\envs\[虚拟环境名]\DLLs

3. 解析网页数据

BeautifulSoup 是一个 Python 库，用于从 HTML 或 XML 文件中提取数据。它可以将复杂的 HTML 文档转换成一个复杂的树形结构，每个节点都是 Python 对象，所有对象可以归纳为四种:

Tag
NavigableString
BeautifulSoup
Comment

以下是使用 BeautifulSoup 解析网页数据的代码：

import requests
from bs4 import BeautifulSoup
res = requests.get('url')
html = response.text
#利用BS库对网页进行解析，得到解析对象soup
soup = BeautifulSoup(html,'html.parser')

其中html.parser是Python 标准库中的内置解析器，不需要额外安装，但在某些情况下可能不如其他解析器强大或快速。以下是一些常用的第三方解析器：

lxml 解析器：
lxml 是一个第三方库，它提供了一个快速的 HTML 解析器。要使用 lxml 解析器，需要先安装 lxml 库。
```
pip install lxml
```
然后，在 BeautifulSoup 中使用它：
```
soup = BeautifulSoup(html, 'lxml')
```
html5lib 解析器：
html5lib 是一个用于解析 HTML 的库，它根据 HTML5 标准来解析 HTML 文档。要使用 html5lib 解析器，您需要先安装 html5lib 库。
```
pip install html5lib
```
然后，在 BeautifulSoup 中使用它：
```
soup = BeautifulSoup(html, 'html5lib')
```

在选择解析器时，lxml 通常是速度最快的选择。但是如果只需要解析基本的 HTML 文档，html.parser 可能就足够了。如果需要严格的 HTML5 解析，html5lib 是不错的选择，尽管它可能比其他解析器慢。

4. 提取所需数据

4.1 简单提取

得到目标网页的解析对象soup后，接下来将鼠标光标移动到所需的数据上，比如一个链接、一张图片或者一段文字。在鼠标定位到所需数据上之后，右键点击鼠标，会弹出一个上下文菜单。接下来在弹出的上下文菜单中选择“检查”（Chrome、Firefox、Edge等常用浏览器都有此选项），或者通过快捷键（Ctrl+Shift+I）直接打开。

最后需要定位HTML元素：点击“检查”后，浏览器会打开开发者工具，并自动选中与鼠标位置相对应的HTML元素。在这里，可以找到该数据在网页源代码中的位置和结构。

例如抓取下述图书的名称：

在这里插入图片描述得到：

在这里插入图片描述可以发现图书名称是在如下标签中的：

<span property="v:itemreviewed">景观社会</span>

因此可以设计如下代码查询：

book_title_tag = soup.find("span", property="v:itemreviewed")
book_title_tag = book_title_tag.contents[0]
if book_title_tag:
    book_title = book_title_tag.get_text()
    print('书名:', book_title)
else:
    print('未找到书名')

find方法只会返回第一个匹配的元素。如果你需要查找所有的匹配元素，可以使用find_all方法，它会返回一个包含所有匹配元素的列表ResultSet。

注意find_all()方法和find()函数返回的分别是ResultSet和一个Tag，访问ResultSet和Tag的内容需要使用下标：

.content[n]

而访问列表元素的下一级元素同样使用.contents[n]来访问：

.content[n].contents[m]

以下列举的是一些常用的提取方法：

通过标签名查找

    title = soup.find('title')
    print(title.text)  # 输出标签内的文本

通过属性查找

    link = soup.find('a', {'href': 'http://example.com'})
    print(link.text)

提取所有匹配的元素

links = soup.find_all('a')
for link in links:
    print(link.get('href'))

嵌套选择

div = soup.find('div', {'class': 'some-class'})
links = div.find_all('a')

提取标签内的文本
```
p = soup.find('p')
print(p.text)
```

提取属性

img = soup.find('img')
print(img.get('src'))

提取多个属性

img = soup.find('img')
attributes = img.attrs
print(attributes['src'], attributes['alt'])

按类查找
```
items = soup.find_all(class_='item')
```
按 ID 查找
```
element = soup.find(id='some-id')
```

使用 CSS 选择器

paragraphs = soup.select('p.some-class')
for p in paragraphs:
    print(p.text)

4.2 多级索引提取

与上一节的简单提取方法不同，在BeautifulSoup中，多级索引是指通过多个层级的选择来定位特定的HTML元素。这通常涉及到使用不同的HTML标签和属性来逐步缩小搜索范围，直到找到需要的特定元素。

以下是一个使用BeautifulSoup进行多级索引的示例：

import requests
from bs4 import BeautifulSoup

url = 'http://example.com'
response = requests.get(url)
soup = BeautifulSoup(response.text, 'html.parser')

# 假设要找的元素在一个id为'parent'的div内，然后是一个class为'child'的span内
parent_div = soup.find('div', id='parent')
if parent_div:
    child_span = parent_div.find('span', class_='child')
    if child_span:
        # 现在我们可以提取child_span中的文本或者执行其他操作
        text = child_span.get_text()
        print('找到的文本:', text)
    else:
        print('未找到class为child的span')
else:
    print('未找到id为parent的div')

首先通过find方法找到了id为parent的div元素，然后在这个div元素中继续使用find方法查找class为child的span元素。这种方法可以一直递归下去，直到找到所需要的特定元素。
此外，BeautifulSoup还支持CSS选择器，这使得多级索引更加直观。例如，如果你想要选择id为parent的div内所有class为child的span元素，可以使用如下选择器：

child_spans = soup.select('div#parent > span.child')

这将返回一个包含所有匹配span元素的列表。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1630125.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！