1、什么是爬虫?
爬虫就是采集网络上数据的一段程序。爬虫程序通过请求url地址,根据响应的内容进行解析来采集数据。
2、环境
python3:3.6.8
requests:2.21.0
requests库是一个功能很强大的网络请求库,可以实现跟浏览器一样发送各种HTTP请求来获取网站的数据
BeautifulSoup4:4.7.1
beautifulsoup4库是一个可以从HTML或XML文件中提取数据的Python库
3、固定套路
请求url,获取网页代码
分析提取出有用的内容
处理数据
4、一个简单的爬虫
import requests
from bs4 import BeautifulSoup
# url地址
url = 'http://www.runoob.com'
# 请求url
rep = requests.get(url)
rep.encoding = 'utf-8'
# 获取被抓取页面的html代码,并使用html.parser来实例化BeautifulSoup
soup = BeautifulSoup(rep.text, 'html.parser')
# 遍历页面上所有class=navto-nav的div
for name in soup.find_all('div', class_='navto-nav'):
# 打印出div的text属性
print(name.text)