查看: 3698|回复: 1

手把手带你5分钟搞定爬虫（聚焦爬虫）

字体大小: 正常放大

杨利霞

5273 主题	82 听众	17万积分

TA的每日心情

	开心 2021-8-11 17:59

签到天数: 17 天

[LV.4]偶尔看看III

网络挑战赛参赛者

自我介绍: 本人女，毕业于内蒙古科技大学，担任文职专业，毕业专业英语。

群组: 2018美赛大象算法课程

群组: 2018美赛护航培训课程

群组: 2019年数学中国站长建

群组: 2019年数据分析师课程

群组: 2018年大象老师国赛优

电梯直达

1^#

发表于 2020-5-5 14:21 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

手把手带你5分钟搞定爬虫（聚焦爬虫）

爬虫的原理

对于很多刚入门的小伙伴来说，了解爬虫的工作原理是非常重要的。只有当你了解了它的原理，你才能结合实际情况写出对应的爬虫。下面我将以通俗的语言方式来介绍爬虫
把互联网比作一张巨大的网，那爬虫就是这张网上面的一只小蜘蛛，在互联网上面有很多的数据，各种各样的数据，我们可以把这些数据比作是被网粘住的小昆虫等。爬虫的作用就是去找到自己喜欢的口味，然后把它带回家，可以储存起来，也可以马上享受美味
所以说爬虫分为三部曲：
1、明确你自己喜欢什么口味（制定需求，明确你需要的数据类型）
2、去找到你喜欢的食物的位置（得到目标地址）
3、把食物搬回家去（解析网址，获取数据，存储数据）
它的整个流程就是：（简单的通过request请求获取数据并解析获取数据。以下都是固定化格式，可以照搬）
a、导入需要的库 requests

import requests
1
b、明确你要获取数据的网址（这里以百度网站为例）

url = 'http://www.baidu.com'
1
c、创建请求

response =  requests.get(url)
1
d、测试请求是否成功（在实际应用中用的比较少，正常情况都是可以请求成功的，网站对于访问外部信息的爬虫是不会做出限制的）

print("状态码：",response.status_code)
1
当状态码为“200”时表示请求成功；如果不是“200”，很大可能就是你的目标url写错了，核对一下url
e、得到网页源码

print("内容:",response.text)
1
response.content是response.text的二进制形式

至此，一个简单的爬虫请求就算是完成了。
当我们请求目标url并获取到response后，就需要进行下一步：解析网址并获取数据
f、解析网址
刚开始学习阶段，我们最常用的两种方法，一种是BeautifulSoup,一种是etree。其中BeautifulSoup是最常用的。以下将对两种方法分别进行介绍 (以下方法均为测试用例，实际当中应结合自己的实际情况选择应用)
BeautifulSoup：
首先导入需要的库文件：

from bs4 import BeautifulSoup
1
然后对上面请求得到的response进行解析：

html = respone.content.decode('utf-8')
soup = BeautifulSoup(html, 'lxml')
1
2
以下是BeautifulSoup中比较常见的方法，有兴趣的朋友可以去一一测试：
# 获取head标签
print('head标签内容', soup.head)
# 获取title标签
print('head标签内容', soup.title)
# 获取body里面的img内容
# 通过点号的方式只能获取下属第一个标签（即获取soup下面第一个body里的第一个a标签的第一个img标签）
print(soup.body.a.img)
# 获取所有的img标签  使用find_all()搜索整个soup对象
print("获取所有的img标签", soup.find_all('img'))
# 获取标签中的属性src地址
print("获取标签中的属性src地址:", soup.img['src'])    # 注意：英文点号都只能获取第一个值

# 获取soup的name
print("获取soup的name:",soup.name)
# 获取a标签名
print("a标签名字:",soup.a.name)
tag = soup.a
print(tag)
# 修改操作  a标签改为b标签
tag.name = 'b' # 赋值后<a> </a>变为<b> </b>
# 输出修改后的内容
print("输出修改后的内容:",tag)
# 获取全部的属性 attrs
print("tag对象的全部属性:",tag.attrs) # 只能得到当前标签的属性（不包含下属标签）

# 获取属性的class的值根据键取值
print("获取属性的class的值:",tag["class"])

"""针对获取的标签属性可以进行增删改查"""
# 修改
tag["class"] = "Logo"
print("tag对象的全部属性:",tag.attrs)
# 输出属性
print("获取属性的class的值:",tag["class"])
# 新增  属性id  赋值logo
tag['id'] = 'logo'
print("tag对象的全部属性:",tag.attrs)
# 删除属性
del tag['class']
print("tag对象的全部属性:",tag.attrs)

"""针对内容操作  (只针对标签，对属性无效)"""
# 获取title标签内容
tag = soup.title
# 获取title字符串
print("tag对象所包含的字符串:", tag.string)
print("类型:", type(tag.string))
# 替换内容
tag.string.replace_with("你好")
print(tag.string)
# 
# 获取注释文本内容
markup = '<b></c>'
soup_comment = BeautifulSoup(markup, 'lxml')
comment = soup_comment.b.string                   # 以markup第一个标签作为关键进行搜索
print("获取注释文本内容:", comment)
# get_text()
print("title的全部节点：",soup.find_all("title"))
print("title的内容：",soup.title.get_text())
"""查找ul元素标签"""
# class是关键名，匹配时后面必须加下划线_
# tag = soup.find_all("ul", class_='menu')  # 按照css类名完全匹配
# print(tag)
tag = soup.find_all("ul", id='menu')  # 按照css类名完全匹配
print(tag)
# 查找名称为a元素的标签内容
taga = soup.find_all('a')
for tag in taga:
print("查找名称为a元素的标签内容:", tag.string)
# get 获取属性信息  获取整个页面的img标签图片和src属性值
tagings = soup.find_all('img')
print(tagings)
# 循环输出图片地址
for imgsrc in tagings:
print(url+imgsrc.get('src'))

""""属性只能做为参数，所有的操作只能针对标签"""

etree方法：
导入库文件：

from lxml import etree
1
解析得到的response对象；

# 设置response的字符集
html = req.content.decode('utf-8')
# 解析对象
html = etree.HTML(html,parser=etree.HTMLParser(encoding='utf-8'))

常用的方法：

# 定位head节点（元素）
result1 = html.xpath('head')
print(result1)
# 定位title节点
result2 = html.xpath('/html/head/title')
print(result2)
# 搜索节点  title节点
result3 = html.xpath('//title')
print(result3)
# 搜索title内容  text()得到文本信息
result4 = html.xpath("//title/text()")
print(result4)
# 搜索div节点
result5 = html.xpath('//div')
print(result5)
# 搜索div节点并用class属性定位
result6 = html.xpath('//div[@class="news"]')
print(result6)
# 搜索div节点 id属性定位
result7 = html.xpath('//div[@id="news"]')
print(result7)
# 获取列表span信息
text = html.xpath('//div[@class="news"]/a/span/text()')
print(text)

g、通过上一步我们得到自己需要的数据后，下一步就是将我们得到的数据进行保存
) c7 U2 D4 d% T. Y$ ?保存的方式有很多种：4 Q7 |; @# k' ?( G+ m8 A1 |
1、保存至文件9 c2 c C! _& ~! U, b$ i2 Y3 T
csv、json、text
6 ]+ t) q2 h4 E6 w5 T2、保存至数据库
% q& z4 V6 S+ T9 g' }+ QMySql、MongoDB、Redis 等 (目前主流的为以上列举的三种数据库)

关于数据存储后面再做详细介绍

————————————————
版权声明：本文为CSDN博主「royallucky」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/royallucky/article/details/105930473

zan