小学生python编程----学爬虫

目录

基础知识

1、请求网页

爬虫用到的requset库，可以模拟人类打开网页，获取网页的行为。这个过程叫"请求网页"。

2、获取网页文本

3、分析网页网页代码是由一个个标签组成的，大多数都成对出现。

4、变为解析对象bs4库：用来解析爬取的网页，提取信息。

5、获取内容

data保存获取到的内容，是一个列表。

6、获取标签文字标签.text方法：获取标签中的文本信息。

7、示例

---

基础知识

网络爬虫（又称为网页蜘蛛，网络机器人），是一种按照一定的规则，自动地抓取互网联信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序.

爬虫又叫网络爬虫（web Spider），网络像一张大网，上面布满"数据"。爬虫就是从网上获取数据的"程序蜘蛛"。

步骤：请求网页-分析网页-展示结果

1、请求网页

爬虫用到的requset库，可以模拟人类打开网页，获取网页的行为。这个过程叫"请求网页"。

requset中的get()方法是进入网站的"法宝"。

request库使用get()来获取网页信息，并输出response对象名和状态码，表示成功获取到了网页。

get("url")函数：get函数用于请求网页，URL是需要请求的网址。

UTF-8：编码格式，避免中文乱码

直接输出get获取的内容，是网页对象名和状态码，其中200是状态码--表示网页请求成功。

代码：

# 爬取网页内容
import requests
response = requests.get("https://www.baidu.com/“)
response.encoding = "UTF-8"
print(response)

如没有安装requests模块，要先安装他 pip install requests
输出结果：

E:\乐乐python\venv\Scripts\python.exe E:/乐乐python/思成/爬虫/读百度.py

进程已结束，退出代码 0

2、获取网页文本

网页对象.text：获取网页的文本。

格式1：

response = requests.get(）

response.text

格式2:

response = requests.get().text

注意text后不加括号

import requests
response = requests.get("https://www.baidu.com/")
response.encoding = "UTF-8"
mytext=response.text
print(mytext)

结果：

E:\乐乐python\venv\Scripts\python.exe E:/乐乐python/思成/爬虫/读百度2.py

3、分析网页
网页代码是由一个个标签组成的，大多数都成对出现。

alt 网页代码标签

从网页代码中找信息的过程叫做“解析网页”。

4、变为解析对象
bs4库：用来解析爬取的网页，提取信息。

soup是变量名，用来存储解析之后的内容。response.text表示网页文本。lxml表示解析器。

我们可以把创建的对象soup看作是由代码组成的汤。想要提取“汤”中的内容还要借助勺子--“lxml”。import bs4
soup = bs4.beautifulSoup(response.text,"lxml")

5、获取内容

data保存获取到的内容，是一个列表。

参数name和属性可以根据需要选择使用一个或多个。

常用的属性有id、class_。

data = soup.find_all(name="属性名",属性="属性值")

6、获取标签文字
标签.text方法：获取标签中的文本信息。

格式： data = <标签名>文本信息 data.text

注意： response.text表示获取字符串格式的网页代码。

这里的data是一对标签，data.text获取标签内容

7、示例

代码：

# 爬取网页新闻

import requests, bs4, time
response = requests.get("https://icourse.xesimg.com/programme/static/py/pcdata/lw-web/新闻网站/index.html")
response.encoding = "UTF-8"
soup = bs4.BeautifulSoup(response.text, "lxml")
data1 = soup.find_all(name="div", attrs={'class': 'article'})

for n in data1:
    data2 = n.find_all(name="a")
    print("--------------------------------------")
    print("题目:"+data2[0].text)
    print("摘要:"+data2[1].text)
    print("主题:"+data2[2].text)

运行结果：

运行上述代码如出错：

bs4.FeatureNotFound: Couldn't find a tree builder with the features you requested: lxml. Do you need to install a parser library?需安装下：pip install lxml

8、状态码 response.status_code
response.status_code：用来获取网页当前的状态

response = request.get("url")

response.status_code

状态码    网页状态
404    找不到网页啦
200    成功找到网页
403    网页禁止访问
503    现在打不开网页，需等待