本文主要介绍python爬虫的两大利器：requests和BeautifulSoup库的基本用法。

1. 安装requests和BeautifulSoup库

可以通过3种方式安装：

  • easy_install
  • pip
  • 下载源码手动安装

这里只介绍pip安装方式：

pip install requests

pip install BeautifulSoup4

2. requests基本用法示例

# coding:utf-8

import requests

# 下载新浪新闻首页的内容

url = 'http://news.sina.com.cn/china/'

# 用get函数发送GET请求，获取响应

res = requests.get(url)

# 设置响应的编码格式utf-8（默认格式为ISO-8859-1），防止中文出现乱码

res.encoding = 'utf-8'

print type(res)

print res

print res.text

# 输出：

'''

<class 'requests.models.Response'>

<Response [200]>

<!DOCTYPE html>

<!-- [ published at 2017-04-19 23:30:28 ] -->

<html>

<head>

<meta http-equiv="Content-type" content="text/html; charset=utf-8" />

<title>国内新闻_新闻中心_新浪网</title>

<meta name="keywords" content="国内时政,内地新闻">

...

'''

下面将上面获取到的网页html内容写入到文件中，这里有一点需要注意的是：python是调用ASCII编码解码程序去处理字符流的，当字符不属于ASCII范围时会抛异常（ordinal not in range(128)），所以要提前设置程序的默认编码：

import sys

reload(sys)

sys.setdefaultencoding('utf-8')

然后再将响应的html内容存入文件中：

with open('content.txt','w+') as f:

    f.write(res.text)

3. BeautifulSoup基本用法

1. 自定义测试html

html = '''

<html>

    <body>

        <h1 id="title">Hello World</h1>

        <a href="#link1" class="link">This is link1</a>

        <a href="#link2" class="link">This is link2</a>

    </body>

</html>

'''

2. 从html文本中获取soup

from bs4 import BeautifulSoup

# 这里指定解析器为html.parser（python默认的解析器），指定html文档编码为utf-8

soup = BeautifulSoup(html,'html.parser',from_encoding='utf-8')

print type(soup)

# 输出：<class 'bs4.BeautifulSoup'>

3. soup.select()函数用法

(1) 获取指定标签的内容

header = soup.select('h1')

print type(header)

print header

print header[0]

print type(header[0])

print header[0].text

# 输出：

'''

<type 'list'>

[<h1 id="title">Hello World</h1>]

<h1 id="title">Hello World</h1>

<class 'bs4.element.Tag'>

Hello World

'''


alinks = soup.select('a')

print [x.text for x in alinks]

# 输出：[u'This is link1', u'This is link2']

(2) 获取指定id的标签的内容（用'#'）

title = soup.select('#title')

print type(title)

print title[0].text

# 输出：

'''

<type 'list'>

Hello World

'''

(3) 获取指定class的标签的内容（用'.'）

alinks = soup.select('.link')

print [x.text for x in alinks]

# 输出：[u'This is link1', u'This is link2']

(4) 获取a标签的链接（href属性值）

print alinks[0]['href']

# 输出：#link1

(5) 获取一个标签下的所有子标签的text

body = soup.select('body')[0]

print body.text

# 输出：

'''

Hello World

This is link1

This is link2

'''

(6) 获取不存在的标签

aa = soup.select('aa')

print aa

# 输出：[]

(7) 获取自定义属性值

html2 = '<a href="www.test.com" qoo="123" abc="456">This is a link.</a>'

soup2 = BeautifulSoup(html2,'html.parser')

alink = soup2.select('a')[0]

print alink['qoo']

print alink['abc']

# 输出：

'''

123

456

'''

4. soup.find()和soup.find_all()函数用法

(1) find()和find_all()函数原型：

find和find_all函数都可根据多个条件从html文本中查找标签对象，只不过find的返回对象类型为bs4.element.Tag，为查找到的第一个满足条件的Tag；而find_all的返回对象为bs4.element.ResultSet（实际上就是Tag列表）,这里主要介绍find函数，find_all函数类似。

find(name=None, attrs={}, recursive=True, text=None, **kwargs)

注：其中name、attrs、text的值都支持正则匹配。

find_all(name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)

注：其中name、attrs、text的值都支持正则匹配。

(2) find函数的用法示例

html = '<p><a href="www.test.com" class="mylink1 mylink2">this is my link</a></p>'

soup = BeautifulSoup(html,'html.parser')

a1 = soup.find('a')

print type(a1)

# 输出：<class 'bs4.element.Tag'>

print a1.name

print a1['href']

print a1['class']

print a1.text

# 输出：

'''

a

www.test.com

[u'mylink1', u'mylink2']

this is my link

'''


# 多个条件的正则匹配：

import re

a2 = soup.find(name = re.compile(r'\w+'),class_ = re.compile(r'mylink\d+'),text = re.compile(r'^this.+link$'))

# 注：这里的class属性之所以写成'class_'，是为了防止和python关键字class混淆，其他属性名写正常的名就行，不用这样特殊处理

print a2

# 输出：

'''

<a class="mylink1 mylink2" href="www.test.com">this is my link</a>

'''


# find函数的链式调用

a3 = soup.find('p').find('a')

print a3

# 输出：

'''

<a class="mylink1 mylink2" href="www.test.com">this is my link</a>

'''


# attrs参数的用法

# 注：支持正则匹配属性值（包括自定义属性）

import re

html = '<div class="myclass" my-attr="123abc"></div><div class="myclass" my-attr="abc">'

soup = BeautifulSoup(html,'html.parser')

div = soup.find('div',attrs = {'class':'myclass','my-attr':re.compile(r'\d+\w+')})

print div

# 输出：

'''

<div class="myclass" my-attr="123abc"></div>

'''

4. 网络爬虫基本架构

5. 补充

1. 代理访问

有时候为了避免封IP，或者在某些公司内网访问外网时候，需要用到代理服务器发送请求，代理的用法示例：

import requests

proxies = {'http':'http://proxy.test.com:8080','https':'http://proxy.test.com:8080'}  # 其中proxy.test.com即为代理服务器的地址

url = 'https://www.baidu.com'  # 这个url为要访问的url

resp = requests.get(url,proxies = proxies)

如果代理服务器需要账号、密码，则可以这样写proxies：

proxies = {'http':'http://{username}:{password}@proxy.test.com:8080','https':'http://{username}:{password}@proxy.test.com:8080'}

2. 向https的url发送请求

有时候向https的url发送请求会报错：ImportError:no module named certifi.

解决方法：在发送请求时关闭校验：verify = False，如：

resp = requests.get('https://test.com',verify = False)

注：也可通过在headers中传相关鉴权参数来解决此问题。

3. httpbin.org

httpbin.org是requests库的作者开发的一个网站，可以专门用来测试requests库的各种功能，其页面如下：

但httpbin.org的服务器在国外，访问速度比较慢。所以需要在本地搭建一个该网站的镜像，方法如下：

  1. 前提：安装好requests库，才能基于该网站测试requests库的功能。
  2. pip install gunicorn httpbin
  3. gunicorn httpbin:app
  4. 浏览器输入：127.0.0.1:8000,即可访问。

注：以上步骤在windows下会报错：缺少模块pwd.fcanl，在linux下没问题。

4. requests库官方文档

http://docs.python-requests.org/en/master/

随机推荐

  1. jQuery实现的上下滚动公告栏详细讲解

    之前做项目的时候,一直都想着做一个上下滚动的公告栏,作为展示网站的最新公告信息,因为刚开始自己的思路并不是太清晰,在网上找了很多的源码,但是却发现都不能让自己满意,有的还会出现一些小问题,比如,有时候 ...

  2. mac上显示.开头的文件

    第一种方法是在finder中按下command+shift+.键. 第二种方法是在命令行输入如下命令 defaults write com.apple.Finder AppleShowAllFiles ...

  3. 润乾V4的最小化部署方式

     在接触到的很多项目实际应用中,部署润乾V4都是使用润乾V4设计器自带的WEB发布向导,直接生成webRoot目录,然后将该目录下的所有文件COPY到项目目录下,然后修改web.xml文件和rep ...

  4. 合理选择css3动画实现方式

    使用css3实现动画,比js控制DOM属性的方式要高效很多.流畅很多,主要分transition和animation两大方式. transition适用于一次性变换 animation适用于循环动画和 ...

  5. Windows 安装mkvirtualenv虚拟python环境

    pip install virtualenvwrapper-win mkvirtualenv --python=python.exe 新python虚拟环境名称 使用方法 所有的命令可使用:virtu ...

  6. 我是如何将linux用在开发环境中的

    1.我为什么要写这篇文章 一直想深入学习一下linux的使用,于是将家里的笔记本装了linux系统,但是要将自己的系统打造一个适合开发的环境确实是一件费心费力的事,而且会经常出现一些莫名其妙的问题,以 ...

  7. Oracle 启用归档

    [applprod@erp10 ~]$ watch ps -fu applprod[applprod@erp10 ~]$ kill -9 82902 84923 [applprod@erp10 ~]$ ...

  8. Oracle EBS 请求

    SELECT t.responsibility_id, t.responsibility_key, t.responsibility_name, t.description, t.menu_id, f ...

  9. 4 个用于构建优秀的命令行用户界面的 Python 库

    作者: Amjith Ramanujam 译者: LCTT Lv Feng 在这个分为两篇的关于具有绝佳命令行界面的终端程序的系列文章的第二篇教程中,我们将讨论 Prompt.Toolkit.Clic ...

  10. 数组（list）分组、分段

    对一个list进行分组,要求控制每组中的元素个数: 1.使用切片分组: lst = [1, 2, 3, 4, 5, 6, 7, 8, 9, 8, 7, 6, 5, 4, 3, 2, 1] #lst可为 ...