本文摘要:1.安装pip2.安装requests模块3.安装beautifulsoup44.requests模块浅析 + 发送请求 + 传递URL参数 + 响应内容 + 获取网页编码 + 获取响应状态码5.案例演示后记
1.安装pip我的个人桌面系统用的linuxmint,系统默认没有安装pip,考虑到后面安装requests模块使用pip,所以我这里第一步先安装pip。 $ sudo apt install python-pip
安装成功,查看PIP版本: $ pip -V
2.安装requests模块这里我是通过pip方式进行安装: $ pip install requests
安装requests
运行import requests,如果没提示错误,那说明已经安装成功了!
检验是否安装成功
3.安装beautifulsoup4Beautiful 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。 $ sudo apt-get install python3-bs4
注:这里我使用的是python3的安装方式,如果你用的是python2,可以使用下面命令安装。 $ sudo pip install beautifulsoup4
4.requests模块浅析1)发送请求 首先当然是要导入 Requests 模块: >>> import requests
然后,获取目标抓取网页。这里我以简书为例: >>> r = requests.get('http://www.jianshu.com/p/b8ef5c005ba4')
这里返回一个名为 r 的响应对象。我们可以从这个对象中获取所有我们想要的信息。这里的get是http的响应方法,所以举一反三你也可以将其替换为put、delete、post、head。
2)传递URL参数 有时我们想为 URL 的查询字符串传递某种数据。如果你是手工构建 URL,那么数据会以键/值对的形式置于 URL 中,跟在一个问号的后面。例如, jianshu.com/get?key=val。 Requests 允许你使用 params 关键字参数,以一个字符串字典来提供这些参数。 举例来说,当我们google搜索“python爬虫”关键词时,newwindow(新窗口打开)、q及oq(搜索关键词)等参数可以手工组成URL ,那么你可以使用如下代码: >>> payload = {'newwindow': '1', 'q': 'python爬虫', 'oq': 'python爬虫'} >>> r = requests.get("https://www.google.com/search", params=payload)
3)响应内容 通过r.text或r.content来获取页面响应内容。 >>> import requests >>> r = requests.get('https://github.com/timeline.json') >>> r.text
Requests 会自动解码来自服务器的内容。大多数 unicode 字符集都能被无缝地解码。这里补充一点r.text和r.content二者的区别,简单说: resp.text返回的是Unicode型的数据; resp.content返回的是bytes型也就是二进制的数据; 所以如果你想取文本,可以通过r.text,如果想取图片,文件,则可以通过r.content。
4)获取网页编码 >>> r = requests.get('http://www.jianshu.com/') >>> r.encoding 'utf-8'
5)获取响应状态码 我们可以检测响应状态码: >>> r = requests.get('http://www.jianshu.com/') >>> r.status_code 200
5.案例演示最近公司刚引入了一款OA系统,这里我以其官方说明文档页面为例,并且只抓取页面中文章标题和内容等有用信息。 演示环境 操作系统:linuxmint python版本:python 3.5.2 使用模块:requests、beautifulsoup4
代码如下:
- #!/usr/bin/env python
- # -*- coding: utf-8 -*-
- _author_ = 'GavinHsueh'
- import requests
- import bs4
- #要抓取的目标页码地址
- url = 'http://www.ranzhi.org/book/ranzhi/about-ranzhi-4.html'
- #抓取页码内容,返回响应对象
- response = requests.get(url)
- #查看响应状态码
- status_code = response.status_code
- #使用BeautifulSoup解析代码,并锁定页码指定标签内容
- content = bs4.BeautifulSoup(response.content.decode("utf-8"), "lxml")
- element = content.find_all(id='book')
- print(status_code)
- print(element)
复制代码
程序运行返回爬去结果:
抓取成功
关于爬去结果乱码问题 其实起初我是直接用的系统默认自带的python2操作的,但在抓取返回内容的编码乱码问题上折腾了老半天,google了多种解决方案都无效。在被python2“整疯“之后,只好老老实实用python3了。对于python2的爬取页面内容乱码问题,欢迎各位前辈们分享经验,以帮助我等后生少走弯路。
后记python的爬虫相关模块有很多,除了requests模块,再如urllib和pycurl以及tornado等。相比而言,我个人觉得requests模块是相对简单易上手的了。通过文本,大家可以迅速学会使用python的requests模块爬取页码内容。本人能力有限,如果文章有任何错误欢迎不吝赐教,其次如果大家有任何关于python爬去页面内容的疑难杂问,也欢迎和大家一起交流讨论。 我们共同学习,共同交流,共同进步!
参考: https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html# http://cn.python-requests.org/zh_CN/latest/
|