目录
[二、 网络爬虫的基本工作流程](#二、 网络爬虫的基本工作流程)
(二)安装requests模块和beautifulsoup4模块
[4、元素中的文本信息往往是有用信息,下面将介绍用BeautifulSoup类解析HTML页面中的有用信息,分为: 节点选择器 方法选择器](#4、元素中的文本信息往往是有用信息,下面将介绍用BeautifulSoup类解析HTML页面中的有用信息,分为: 节点选择器 方法选择器)
[4.1 节点选择器](#4.1 节点选择器)
[4.2 方法选择器](#4.2 方法选择器)
引言
网络爬虫是自动从互联网上抓取信息的工具,其应用范围十分广泛,特别是在大数据分析、搜索引擎优化和信息采集等领域中具有重要作用。通过网络爬虫,我们能够快速获取大量网页数据,并利用数据分析工具对信息进行深入的解析与处理。这次实验旨在学习和实践如何使用Python中的requests和beautifulsoup4库,完成从网页获取数据、解析数据到存储数据的完整流程。
一、网络爬虫的概念
网络爬虫(Web Crawler)是按照一定的规则,自动地抓取万维网(World Wide Web,WWW)并获取信息的程序或脚本。在浏览器的网页中,除了供用户阅读的文字信息外,还包括一些超链接,网络爬虫可以通经过网页中的超链接不断地获得网络上的其它页面。网络数据采集的过程像爬虫在网络上漫游,因此得名为网络爬虫。
二、 网络爬虫的基本工作流程
简单的网络爬虫通常分为以下三个部分的内容:
数据采集:即获取网页中的数据;
数据处理:即进行网页解析;
数据存储:即将有用的信息持久化。
(一)过程:
- 设定抓取目标(初始URL)并获取页面。
- 不断地爬取页面,直到满足停止爬取的条件。
- 对于获取的页面,进行网页下载,获得网页中的数据。获得网页中的数据需要用到Python中的requests模块。
- 获取网页中的数据后,需要对此数据进行解析。进行网页解析需要用到Python中的beautifulsoup4模块。
- 对于网页解析出来的数据,可以对有用的信息进行存储。有用的信息,可以存储在文件中,也可以存储在数据库中,还可以进行可视化的展示。
(二)安装requests模块和beautifulsoup4模块
pip install requests
pip install beautifulsoup4
(三)requests库的使用
1、requests库的基本介绍
requests库的本质就是封装了urllib3模块,它可以模拟浏览器的请求,编写过程更接近正常URL的访问过程。requests库的宗旨是服务于人类(for human beings),具有以下功能特性:
- 支持URL数据自动编码;
- 支持HTTP连接保持和连接池;
- 支持使用Cookie保持会话;
- 支持文件分块上传;
- 支持自动确定相应内容的编码;
- 支持连接超时处理和流数据下载。
2、导入requests库的具体语法格式如下:
import requests
3、requests库网页请求方法
requests库中包含与HTTP协议的请求相对应的方法,即网页请求方法。
例如:
使用requests库中的get()方法访问网址http://www.mobiletrain.org
import requests
r = requests.get("http://www.mobiletrain.org")
print(type(r))
通过get()方法访问网址,返回了一个Response对象
<class 'requests.models.Response'>
4、requests库的-Response对象
Response对象代表的是响应内容,其属性如下表所示。
- import requests
- r = requests.get("http://www.mobiletrain.org")
- r.encoding = r.apparent_encoding # 自动检测编码
- content = r.content # 使用content属性获取二进制内容
- print(content.decode('utf-8').encode('gbk', 'ignore').decode('gbk')) # 先按utf-8解码,再按gbk编码打印
(四)beautifulsoup4库的使用
1、beautifulsoup4库的基本介绍
- 通过requests库获取HTML页面内容后,需要进一步解析HTML格式,提取其中的有用数据。beautifulsoup4库是一个可以解析HTML或者XML文件的Python库,它具有以下三个特点。
- beautifulsoup4库提供了用于浏览、搜索和修改解析树的简洁函数,可以通过解析文档为用户提供需要抓取的数据。
- beautifulsoup4库自动将输入文档稳定转换为Unicode编码,输出文档转换为utf-8编码。不需要考虑编码方式,除非文档没有指定编码方式,此时beautifulsoup4库不能自动识别编码方式,需要说明一下原始编码方式。
- beautifulsoup4库能够为用户灵活地提供不同的解析策略或者是较快的交易速度。
2、导入BeautifulSoup库的具体语法格式如下:
beautifulsoup4库中最主要的是BeautifulSoup类,一般通过导入此类来解析网页内容。
from bs4 import BeautifulSoup
3、beautifulsoup4库的常用操作
导入BeautifulSoup类后,可以创建BeautifulSoup对象。
- import requests from bs4
- import BeautifulSoup
- url = "http://www.mobiletrain.org"
- r = requests.get(url)
- r.encoding = "utf-8"
- soup = BeautifulSoup(r.text,"html.parser")
- print(type(soup))
<class 'bs4.BeautifulSoup'>
4、元素中的文本信息往往是有用信息,下面将介绍用BeautifulSoup类解析HTML页面中的有用信息,分为: 节点选择器 方法选择器
通过BeautifulSoup对象的属性可以选择节点元素,并获得节点的信息,这些属性与HTML的标签名称相同。
4.1 节点选择器
使用BeautifulSoup对象获得元素内容
- import requests from bs4
- import BeautifulSoup
- url = "http://www.mobiletrain.org"
- r = requests.get(url)
- r.encoding = "utf-8"
- soup = BeautifulSoup(r.text,"html.parser")
- print(soup.title) #获取页面的<title>内容
- print(soup.p) #获取页面的第一个<p>内容
<title>千锋教育-坚持教育初心,坚持面授品质,IT培训良心品牌</title>
<p class="bubble">小小千想和您聊一聊</p>
如果想要获得HTML标签中各个属性的内容,则需要通过Tag对象的属性去获取
使用BeautifulSoup对象获得标签的详细信息
- import requests from bs4
- import BeautifulSoup
- url = "http://www.mobiletrain.org"
- r = requests.get(url)
- r.encoding = "utf-8"
- soup = BeautifulSoup(r.text,"html.parser")
- print("<p>标签:",soup.p)
- print("<p>标签的名称:",soup.p.name)
- print("<p>标签的属性:",soup.p.attrs)
- print("<p>标签的子标签:",soup.p.contents)
- print("<p>标签包含的文本内容:",soup.p.string)
- <p>标签: <p class="bubble">小小千想和您聊一聊</p>
- <p>标签的名称: p
- <p>标签的属性: {'class': ['bubble']}
- <p>标签的子标签: ['小小千想和您聊一聊']
- <p>标签包含的文本内容: 小小千想和您聊一聊
string属性应遵循以下原则:
标签内部嵌套多层标签时,string属性返回None;
标签内部有一个标签时,string属性返回内层标签包含的文本内容;
标签内部没有标签时,string属性返回其包含的文本内容。
4.2 方法选择器
在HTML页面中,div、a、p等标签往往不止一个,节点选择器无法获得所有同名标签的内容,此时就要选择使用方法选择器。使用BeautifulSoup类中的方法可以获得HTML中的标签内容,主要的方法包括find()和find_all(),可以根据参数找到对应标签,返回列表类型。
BeautifulSoup.find(name,attrs,recursive,string) BeautifulSoup.find_all(name,attrs,recursive,string,limit)
find()和find_all()方法中的参数说明
find()和find_all()的区别在于find()方法仅返回找到的第一个结果 ,而find_all()可以返回找到的所有结果,也就是说,find()方法相当于参数limit为1时的find_all()方法。
例:使用find_all()方法获得所有的<i>
import requests from bs4
- import requests from bs4
- import BeautifulSoup
- url = "http://www.mobiletrain.org"
- r = requests.get(url)
- r.encoding = "utf-8"
- soup = BeautifulSoup(r.text, "html.parser")
- for item in soup.find_all("i"):
- print(item.string, end=" ")
三、实战:电影排行爬取及分析
1、获取网页
User-Agent(简称UA) 大量的爬虫请求会使服务器的压力过大,使得网页响应速度变慢,影响网站的政策运行,所以网站一般会检验UA来判断发起请求的是不是机器人。故需要自己设置UA进行简单伪装。
headers = {"User-Agent": "Mozilla/5.0 (Windows NT 6.1; WOW64)
AppleWebKit/535.1 (KHTML, like Gecko) Chrome/14.0.835.163 Safari/535.1"}
需要将此键值对传入requests库中的get()方法,获取网页的函数可以写成如下形式。
def get_html(url,headers):
r = requests.get(url,headers=headers)
html = r.text
2、解析网页
定位文本内容所在标签
标签中的有用内容
3、存储数据
将解析网页后获得的有用数据列表转换为字典元素形式,并存入JSON格式的文件中。
movie.json
爬取具体步骤:
1、选择网站
2、解析网页
3、定位标签所在位置
4、提取文本数据
5、筛选数据
6、存储数据
总结
通过本次实验,深入理解了网络爬虫的基本原理和工作流程,掌握了使用Python编写爬虫的核心技术。实验过程中,我们学习了如何利用requests库获取网页内容,并通过beautifulsoup4库对HTML页面进行解析。此外,还学会了将爬取的数据进行存储,为后续的数据处理打下了坚实的基础。整个过程提升了我们在网络数据采集方面的实践能力,也为今后在大数据和信息处理领域的应用提供了宝贵经验。