python爬虫基础

前言

Python爬虫是一种通过编程自动化地获取互联网上的信息的技术。其原理可以分为以下几个步骤：

1. 发送HTTP请求： 爬虫首先会通过HTTP或HTTPS协议向目标网站发送请求。这个请求包含了爬虫想要获取的信息，可以是网页的HTML内容、图片、视频等。
2. 接收响应： 目标网站接收到请求后，会返回一个HTTP响应。这个响应包含了请求的数据，状态码、头部信息等。爬虫需要解析这个响应来获取所需的信息。
3. 解析HTML： 如果爬虫的目标是获取网页上的数据，它需要解析HTML文档。HTML是一种标记语言，包含了网页的结构和内容。爬虫可以使用解析库（如BeautifulSoup、lxml）来从HTML中提取所需的数据。
4. 提取数据： 爬虫通过解析HTML文档，可以从中提取出所需的数据，例如链接、文本、图片地址等。提取数据的方式通常是使用选择器（Selector），它是一种用于定位HTML元素的表达式。
5. 存储数据： 爬虫获取到的数据可以被存储到本地文件或数据库中，以备后续使用。常见的数据存储格式包括文本文件、JSON、CSV等。
6. 处理动态页面： 一些网站使用JavaScript来动态加载内容，这就需要爬虫能够执行JavaScript代码，或者使用带有JavaScript渲染功能的工具（如Selenium、Puppeteer）来获取完整的页面内容。

1、python相关库（BeautifulSoup）

今天主要介绍一下BeautifulSoup模块

BeautifulSoup是一个用于从HTML或XML文档中提取数据的Python库。它的主要作用是解析复杂的HTML或XML文档，并提供了一种简单的方式来浏览文档树、搜索特定的标签、提取数据等。BeautifulSoup的设计目标是让数据提取变得容易、直观，并且具有Pythonic的风格。

2、BeautifulSoup模块的安装

安装命令

pip install bs4

我这里是安装过了，第一次安装会出现suessful

3、BeautifulSoup的使用

3.1 简单的使用（以百度为例）

# coding=utf-8
import requests  # 导入请求模块
from bs4 import BeautifulSoup  # 
# from bs4 import BeautifulSoup 这样导入的目的是从 bs4（Beautiful Soup 4）库中引入 BeautifulSoup 类。这样导入的好处是在代码中使用 BeautifulSoup 类时不需要每次都写出完整的模块路径，简化了代码，提高了可读性。

# 设置要爬取的网站
url = "https://www.baidu.com/"
heder = {
    
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
}

# 爬取内容
res = requests.get(url, headers=heder)  # 这里是去请求网页的内容
# 获取内容
content = res.text  # 这里是让爬取的内容以文本的形式打开，同时保存到变量

# 初始化Beatifulsoup
soup = BeautifulSoup(content, 'html.parser')
# 获取标题标签
print(soup.title)
# 如果想要直接获取标题的内容
# print(soup.title.string)

注意：因为百度需要添加请求头才能获取返回的内容，故此处定义了一个heder

请求头可以按以下方式获取

运行结果

3.2 soup.tagName的使用

在BeautifulSoup中，soup.tagName 的语法用于访问解析后的HTML文档中特定HTML标签的第一个出现实例。在这里，soup 是BeautifulSoup对象的引用，而tagName是你想要访问的HTML标签的名称。

它会返回第一个你指定的html标签的内容

这里可以看到百度的第一个a标签是百度首页的

使用soup.tagName

# coding=utf-8
import requests
from bs4 import BeautifulSoup

# 设置要爬取的网站
url = "https://www.baidu.com/"
heder = {
    
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
}

# 爬取内容
res = requests.get(url, headers=heder)
# 获取内容
content = res.text  # 这里是让爬取的内容以文本的形式打开，同时保存到变量

# 初始化Beatifulsoup
soup = BeautifulSoup(content, 'html.parser')
# 获取<a></a>标签第一次出现的地方
# print(soup.tagName)
print(soup.a)

运行结果

3.3 soup.find

soup.find() 是 BeautifulSoup 中用于查找单个标签的方法。它用于按照指定的条件查找文档中的第一个匹配的标签，并返回这个标签的 BeautifulSoup 对象。

查找标签的功能与soup.tagName是一样的，不同的是soup.find拥有丰富的参数，所以可以通过标签的class属性，或者是id属性来查找特定的标签

相关参数

• name: 要查找的标签名称，可以是字符串、正则表达式、函数等。
• attrs: 标签的属性，可以用字典形式表示。
• recursive: 是否递归查找，默认为 True。
• string: 标签中的文本内容。
• kwargs: 其他特定标签属性的关键字参数。

下面演示通过attrs查找

# coding=utf-8
import requests
from bs4 import BeautifulSoup

# 设置要爬取的网站
url = "https://www.baidu.com/"
heder = {
    
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
}

# 爬取内容
res = requests.get(url, headers=heder)
# 获取内容
content = res.text  # 这里是让爬取的内容以文本的形式打开，同时保存到变量

# 初始化Beatifulsoup
soup = BeautifulSoup(content, 'html.parser')
# 获取<a></a>标签第一次出现的地方
print(soup.find('input', attrs={
    'id': 'su'}))

运行结果

3.4 soup.find_all

该方法返回的是指定标签下面的所有内容，而且是列表的形式；传入的方式是多种多样的。

(1)传入单个标签

# coding=utf-8
import requests
from bs4 import BeautifulSoup

# 设置要爬取的网站
url = "https://www.baidu.com/"
heder = {
    
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
}

# 爬取内容
res = requests.get(url, headers=heder)
# 获取内容
content = res.text  # 这里是让爬取的内容以文本的形式打开，同时保存到变量

# 初始化Beatifulsoup
soup = BeautifulSoup(content, 'html.parser')
# 获取所有的a标签并以列表形式返回
list_a = soup.find_all('a')
# 输出显示获取到的a标签列表
for i in list_a:
    print(i)

运行结果

（2）传入多个标签

# coding=utf-8
import requests
from bs4 import BeautifulSoup

# 设置要爬取的网站
url = "https://www.baidu.com/"
heder = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36'
}

# 爬取内容
res = requests.get(url, headers=heder)
# 获取内容
content = res.text  # 这里是让爬取的内容以文本的形式打开，同时保存到变量

# 初始化Beatifulsoup
soup = BeautifulSoup(content, 'html.parser')
# 获取所有的a标签和input标签并以列表形式返回
list_a = soup.find_all('a', 'input')
# 输出显示获取到的a标签列表
for i in list_a:
    print(i)

（3）传入正则表达式

万金油表达式

# 找所有的xxx标签： 属性xxx满足对应正则表达式
soup.find_all(name='xxx',attrs={'xxx':re.compile('正则表达式')}