Python爬虫基础教学(写给入门的新手)
- 2019 年 10 月 11 日
- 筆記
刚学完python基础，想学习爬虫的新手，这里有你想要的东西。
本文着重点在于教新手如何学习爬虫，并且会以外行人的思维进行形象地讲解。最近我一兄弟想学，我就想写个教学给他，然后想不如分享到网络上，给热爱学习的人们一起学习探讨。
环境安装
python3.7.1
pip install requests
pip install beautifulsoup4
pip install lxml
技术讲解
requests库
requests一般用于发起http请求，并且拿到请求的结果。http常用的请求有两种，GET和POST，爬虫主要用的是GET请求。
在不懂http,https和dns,TCP/IP等协议的情况下，我直接打个比方来解释一下什么是GET请求，以360浏览器为例，人在360浏览器输入www.baidu.com，然后敲击enter键，直到页面出现，整个过程，我们可以抽象为我们向百度服务器发起的一次GET请求。
更专业，更详细的解释，自己去百度学习吧。
如何使用requests库来模拟浏览器的行为来获取页面内容呢？
示例代码如下
import requests web = requests.get('https://www.baidu.com') #向百度发起一次get请求，返回请求结果的实体类 print(web.status_code) #请求返回的状态码，200是OK，404是页面不存在，500是错误，更多自己百度搜索 print(type(web.content)) #页面内容的数据类型是bytes，因此需要解码 print(type(web.content.decode())) print(web.content.decode()) #解码之后，得到的页面内容是结构化的字符串
这样看起来，我们获取到的页面内容不是我们在浏览器看到的图形化界面，而是字符串，更像是一些代码。如果你学过html和css那就不用多说了。没学过也不要紧，现在可以简单学一下，也就花几分钟了解一下就够用了。
html是一种标记语言，可以被浏览器执行，然后呈现出可视化的图形界面。如果你把web.content.decode()这一串字符串保存在test.html里，然后双击打开，你会看到图形化界面的，只不过有些图片可能显示不了，这里就不细说了。
html其实很好理解，不要想得太复杂，就是一段有规律的格式化的文本。
其基本格式就是
<html> <head>...</head> <body>...<body> <script>...</script> <style>...</style> </html>
html文本的标签一般都是成双成对，有始有终的，比如<body>和</body>是一队，千万不能拆散，拆散就乱套了。少数除外比如<br>是换行用的,可以不用配对。
这里我们主要讲body标签，网页的主要内容都是在这个标签里显示的，比如标题，段落，图片等
在test.html里我们写入一下代码并且保存。
<html> <body> <h1>我的网站</h1> <p>这是我的网站</p> </body> </html>
html更多标签所代表的意义可以去这里学习 http://www.runoob.com/html/ht…
beautifulsoup4库
bs4(简称)库是用于解析格式化文本，提取数据用的库。
我们利用requests库的get函数拿到网页的内容是一段格式化的字符串，接下来就可以用bs4来解析它。
解析的示例代码如下
from bs4 import BeautifulSoup html = '''<html> <body> <h1>我的网站</h1> <p>这是我的网站</p> <body> </html>''' #从网页拿到html的格式化的字符串，保存到html里 soup = BeautifulSoup(html, 'lxml') #使用lxml解析器来解析文本，html和xml格式是类似的 print(soup.find_all('h1')) #使用find_all函数来找所有的h1标签，返回的结果是数组 print(soup.find_all('p')) #找所有的p标签，返回的结果是数组 更复杂一点的，比如 from bs4 import BeautifulSoup html = '''<html> <body> <h1>我的网站</h1> <p>这是我的网站</p> <div class='test-item'> 测试1 </div> <div class='test-item'> 测试2 </div> <body> </html>''' soup = BeautifulSoup(html, 'lxml') div_tags = soup.find_all(name='div', attrs={'class': 'test-item'}) for tag in div_tags: print(type(tag)) print(tag) print(tag.string) print(tag.attrs, 'n')
注意，tag保存的不是字符串，而是bs4模块中的一个标签实体类，我们主要需要知道它的attrs属性和string属性，方便我们拿到一些我们想要的文本和信息，比如a标签的href属性就保存在attrs里。
总结
本文主要讲了如何使用requests获取网页文本内容，以及如何解析html文本，更多更好用的爬虫库
