Python使用urllib,urllib3,requests库+beautifulsoup爬取网页
Python使用urllib/urllib3/requests库+beautifulsoup爬取网页
笔者使用的是python 3.8.1
urllib
urllib提供了一系列用于操作URL的功能。
urllib的request模块可以非常方便地抓取URL内容,也就是发送一个GET请求到指定的页面,然后返回HTTP的响应。
使用pip下载:
pip install urllib
例如对百度搜索界面的抓取(www.baidu.com)
#!/usr/bin/python
# -*- coding: UTF-8 -*-
import urllib
from urllib import request
if __name__ == "__main__":
headers = {
'Connection': 'Keep-Alive',
'Accept': 'text/html, application/xhtml+xml, */*',
'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',
'Accept-Encoding': 'gzip, deflate',
'User-Agent': 'Mozilla/6.1 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko',
'Host': 'www.so.com',
'Referer': 'https://www.so.com'
}
respond = urllib.request.urlopen('http://www.baidu.com', headers=headers)
print(respond.read().decode('utf-8'))
参考网站:
廖雪峰的官方网站
urllib3
urllib3是一个功能强大且友好的Python HTTP客户端。大多数Python生态系统已经使用urllib3,您也应该使用。urllib3带来了Python标准库中缺少的许多关键功能:
线程安全。
连接池。
客户端SSL / TLS验证。
使用分段编码上传文件。
重试请求和处理HTTP重定向的助手。
支持gzip,deflate和brotli编码。
HTTP和SOCKS的代理支持。
100%的测试覆盖率。
urllib3功能强大且易于使用:
下载:
pip install urllib3
例如抓取百度搜索界面(www.baidu.com)
#!/usr/bin/python
# -*- coding: UTF-8 -*-
import urllib3
if __name__ == "__main__":
http = urllib3.PoolManager()
headers = {
'Connection': 'Keep-Alive',
'Accept': 'text/html, application/xhtml+xml, */*',
'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',
'Accept-Encoding': 'gzip, deflate',
'User-Agent': 'Mozilla/6.1 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko'
}
r=http.request('GET', 'http://www.baidu.com', headers=headers)
print(r.data)
requests
我们已经讲解了Python内置的urllib模块和其升级版urllib3,用于访问网络资源。但是,它用起来比较麻烦,而且,缺少很多实用的高级功能。
更好的方案是使用requests。它是一个Python第三方库,处理URL资源特别方便。
下载:
pip install requests
注意有 s 在requests中
例如抓取360搜索结果:
# -*- coding: utf-8 -*-
import requests
if __name__ == '__main__':
keyword = "123sad"
keyword = input("请输入你想搜索的内容")
try:
#添加headers防止被最简单的反爬虫阻止,在chrome按F12后点击Network中一个下滑查看
headers = {
'Connection': 'Keep-Alive',
'Accept': 'text/html, application/xhtml+xml, */*',
'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',
'Accept-Encoding': 'gzip, deflate',
'User-Agent': 'Mozilla/6.1 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko',
'Host': 'www.so.com',
'Referer': 'https://www.so.com'
}
page = 1
#GET参数列表
kv = {'q': keyword, 'ie': 'utf-8', 'pn': page}
# requests.ReadTimeout(60)
r = requests.get("http://www.so.com/s", headers=headers,
params=kv)
print('url:'+r.request.url)
r.raise_for_status()
html = r.text
print(html)
except requests.HTTPError as a:
print(a)
print("爬取失败")
except:
print('失败')
参考网站:廖雪峰的官方网站
笔者在爬取时遇到的问题
1.结果不全
笔者在vs code 中执行时,结果显示不全
如果结果显示不全,需要在cmd中执行文件
python xxx.py
2.‘抓取失败’
显示该问题,一般是因为IP被屏蔽
目前很多搜索引擎都装备了反爬虫,这个时候需要重启路由器(重新拨号)或者挂代理(proxy),或者试一试别的搜索引擎,笔者抓取百度时频繁出现错误,只能抓取360搜索
3.返回乱码
对返回结果解码
html.decode('utf-8')
进阶
urllib
parse
使用parse模块拼接参数:
params = {'ie': 'utf-8', 'wd': 'python是这个世界上最好的语言'}
url = 'www.baidu.com/s?'+urllib.parse.urlencode(params)
print(url)
结果:
www.baidu.com/s?ie=utf-8&wd=python%E6%98%AF%E8%BF%99%E4%B8%AA%E4%B8%96%E7%95%8C%E4%B8%8A%E6%9C%80%E5%A5%BD%E7%9A%84%E8%AF%AD%E8%A8%80
error
在urllib中设置了两个主要异常类,一个是URLError,一个是HTTPError
try:
...
except urllib.error.HTTPError as e:
print(e.code)#错误码
print(e.reason)#错误的原因
pring(e.headers)#响应的报头
except urllib.error.URLError as e:
print(e)
re库
re库是用来分析网页返回结果的正则库
安装:
pip install re
正则:
import re
pattern = re.compile(
r'<li class="res-list" data-lazyload="1"><h3 class="res-title "><a href="(.*?)"', re.S)
results = pattern.findall(html)
其中,re.compile是创建正则式,findall是在文本中匹配全部,并返回数组格式的数据
有关正则表达式写法和更多数据请看官方文档
笔者推荐使用requests库
beautifulsoup
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.
pip安装:
pip install bs4
如果要使用lxml解析器
请参考博客园,因为下载太慢,笔者使用html解析器
使用beautifulsoup提取指定的html元素:
soup = BeautifulSoup(req.text, "html")
#req是resquests返回的结果
soup.find(name="div", attrs={"class" :"a","id":"b"})
#提取<div class="a" id="b">的元素内容
soup.select(".a")
#提取class="a"的元素,可以使用# .等选择器
human_list=beautifulsoup("<p class='a'></p>")
print(human_list.p["class"])#输出 a
如果要取html元素里的内容,用xx.string
或者.text
参考链接
点我跳转官方文档
例子:
以下代码爬取了https://www.baidu.com/s?ie=UTF-8&wd=afs
的第一条搜索结果的名字
import requests
from bs4 import BeautifulSoup
url = "https://www.baidu.com/s?ie=UTF-8&wd=afs"
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.87 Safari/537.36'}
req = requests.get(url, headers=headers)
#soup = BeautifulSoup(req.text, "lxml")#使用lxml解析器
soup = BeautifulSoup(req.text, "html")#使用html解析器
human_list=soup.find(name="div", attrs={"class" :"c-abstract"})
human_list=str(human_list)
human_list=human_list.replace('<div class="c-abstract c-abstract-en">',"")
human_list=human_list.replace("</div>","")
human_list=human_list.replace("\n","")
print(human_list)
输出:
<em>AFS</em> study abroad, education and volunteer programs empower people of all ages and backgrounds with essential intercultural knowledge, skills and understanding.
END
Python使用urllib,urllib3,requests库+beautifulsoup爬取网页的更多相关文章
- Python Requests库网络爬取全代码
#爬取京东商品全代码 import requestsurl = "http://item.jd.com/2967929.html"try: r = requests.get(url ...
- python Requests库网络爬取IP地址归属地的自动查询
#IP地址查询全代码import requestsurl = "http://m.ip138.com/ip.asp?ip="try: r = requests.get(url + ...
- 利用requests和BeautifulSoup爬取菜鸟教程的代码与图片并保存为markdown格式
还是设计模式的开卷考试,我想要多准备一点资料,于是写了个爬虫爬取代码与图片,有巧妙地进行格式化进一步处理,最终变为了markdown的格式 import requests from bs4 impor ...
- python网络爬虫之scrapy 调试以及爬取网页
Shell调试: 进入项目所在目录,scrapy shell “网址” 如下例中的: scrapy shell http://www.w3school.com.cn/xml/xml_syntax.as ...
- [原创]python爬虫之BeautifulSoup,爬取网页上所有图片标题并存储到本地文件
from bs4 import BeautifulSoup import requests import re import os r = requests.get("https://re. ...
- python爬虫之一:requests库
目录 安装requtests requests库的连接异常 HTTP协议 HTTP协议对资源的操作 requests库的7个主要方法 request方法 get方法 网络爬虫引发的问题 robots协 ...
- [Python爬虫] 使用 Beautiful Soup 4 快速爬取所需的网页信息
[Python爬虫] 使用 Beautiful Soup 4 快速爬取所需的网页信息 2018-07-21 23:53:02 larger5 阅读数 4123更多 分类专栏: 网络爬虫 版权声明: ...
- requests爬取网页的通用框架
概述 代码编写完成时间:2017.12.28 写文章时间:2017.12.29 看完中国大学MOOC上的爬虫教程后,觉得自己之前的学习完全是野蛮生长,决定把之前学的东西再梳理一遍,主要是觉得自己写的程 ...
- python requests库爬取网页小实例:爬取网页图片
爬取网页图片: #网络图片爬取 import requests import os root="C://Users//Lenovo//Desktop//" #以原文件名作为保存的文 ...
随机推荐
- SASRec 实践
SASRec--2018,ICDM,论文<Self-Attentive Sequential Recommendation> 源代码链接:https://github.com/kang20 ...
- 人社部新职业,Panda Global发现区块链新职业榜上有名!
近日,为了助力新冠肺炎疫情的防控,扎实做好"六稳"工作,全面落实"六保"任务,促就业拓岗位,人力资源社会保障部联合市场监管总局.国家统计局近日正式向社会发布一批 ...
- CSP-S2020 DP专项训练
前言 \(\text{CPS-S2020}\) 已然临近,而 \(\text{DP}\) 作为联赛中的常考内容,是必不可少的复习要点,现根据教练和个人刷题,整理部分好题如下(其实基本上是直接搬--). ...
- 如何使用交易开拓者(TB)开发数字货币策略
更多精彩内容,欢迎关注公众号:数量技术宅.想要获取本期分享的完整策略代码,请加技术宅微信:sljsz01 为何使用交易开拓者(TB)作为回测工具 交易开拓者(后文以TB简称)是一个支持国内期货市场K线 ...
- ES6、ES7、ES8
ES6 https://es6.ruanyifeng.com/ ES7 1.Array.prototype.includes() includes()作用,是查找一个值在不在数组里,若是存在则返回 ...
- Windows安装Pytorch并配置Anaconda与Pycharm
1 开发环境准备 Python 3.7+Anaconda3 5.3.1(64位)+CUDA+Pycharm Community 2 安装Anaconda 2.1 进入官网下载: 根据windows版本 ...
- Eureka系列(四) 获取服务Server端具体实现
获取服务 Server端流程 我们先看下面这张图片,这张图片简单描述了下我们EurekaClient在调用EurekaServer 提供的获取服务Http接口,Server端实现接口执行的大致流程 ...
- 2020年“感恩杯”台州学院第十三届大学生程序设计竞赛D、H、I题解(后续补充)
D题:小z与他的袜子 描述 小z每天会穿一双新袜子. 开始他的衣柜里有n双袜子,袜子会从1-n进行编号.每天早上他都会从衣柜里拿编号最小的袜子来穿.每天晚上他会把今天穿的袜子扔进篮子里,如果篮子里有n ...
- 多年总结IDEA 使用技巧 (建议收藏!)
很长一段时间没有更新了,前段时间转测试了,浪费了一些时间,终于可以写文章了,今天来写一下之前自己开发的一些习惯,因为自己本身自己是一个极简主义所以 开发喜欢这样:. 全屏显示 我们可以使用[Prese ...
- Linux下源码安装方式安装MySQL
1.下载安装包:https://downloads.mysql.com/archives/community/ 2.安装开发工具和安装包 因为要把源码编译成二进制数据,所以必须要有编译器和解释器 g ...