requests+bs4爬取网页内容——以爬取网页文章信息为例

最新推荐文章于 2024-07-21 21:39:32 发布

lyq_wtnl

最新推荐文章于 2024-07-21 21:39:32 发布

阅读量8.7k

点赞数 5

分类专栏： python爬虫文章标签： python html

本文链接：https://blog.csdn.net/lyq_wtnl/article/details/108057309

版权

python爬虫专栏收录该内容

3 篇文章 0 订阅

订阅专栏

一、引言

目标网址：https://gary666.com/learn
爬取方式：requests+bs4
难度：易
基本爬取的内容：
输出：页面中所有的文章的标题、内容、作者、文章分类、时间对应上图（标题为win10python安装配置selenium 、作者是Gary、文章分类python、时间2020-7-9）
选做内容：

数据存储：txt、excel、数据库（mysql、sqlite等）
翻页：https://gary666.com/learn?page=2，url示例，获取所有页的文章的标题、内容、作者、类型、时间（循环实现）
优化代码（设置浏览器头部信息；封装爬取函数、解析函数，即涉及requests的封装一个函数，涉及bs4的封装一个函数，提高代码的可扩展性、方便复用；完善注释）

二、网页分析

对网页进行分析，是进行网页爬虫的重要步骤之一。（此处不会具体讲解网页分析的过程，具体可参照https://blog.csdn.net/twk121109281/article/details/90401671)
1.获取url：通过观察页面获取url地址的规律以及总的页码数：构造url地址的列表。首先我们观察每一个页面的url地址的区别，发现它有以page=“页面数”这样的规律。
在这里插入图片描述

于是我们可以根据这个规律进行对网页进行循环：

for i in range(1,10):

2.接着就是发送请求，获取响应
发送请求需要我们使用requests模块，可以用下面的代码进行：

#请求网页内容
def request(num):
    # 设置浏览器头部信息
    headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.80 Safari/537.36'
    }
    url = 'https://gary666.com/learn?page='+str(num)  # 需要请求的网页的链接
    html = requests.get(url,headers=headers)  # get方式请求数据
    # print(html.status_code)  # 查看请求的状态码（200表示请求正常）
    html.encoding = html.apparent_encoding  # 设置编码，防止由于编码问题导致文字错乱
    # print(html.text)  # 查看请求到的内容
    content = html.text
    return content

3.跟着就是提取所有文章数据
提取数据需要我们使用BeautifulSoup模块。
我们通过审查元素可以看到每一个文章模块就是一个div标签.
在这里插入图片描述
提取所有文章数据可以用下面代码进行：

# 解析需要的内容
# 解析器自带的是html.parser，也可以用lxml，兼容性更好，不过要单独安装第三方库
def soup(content):
    soup = BeautifulSoup(content, "html.parser")
    # 获取所有的文章信息
    div_list = soup.find_all("div",class_="blogs")  # 注意： 若属性名是 class 则需要在后面加个下划线,写成 class_
    return div_list

4.然后提取单个文章的所有信息
我们下面以一篇文章的标题为例，提取信息（注：我使用的是火狐浏览器）。
在这里插入图片描述
文章的标题在<h3 class="blogtitle"></h3>标签内
于是我们用下列代码提取文章的标题：

div.find("h3").string

5.最后保存数据
我们将爬取的文章数据保存到txt文件中，如下面代码所示：

f = open("requests+bs4.txt", "w")
    for i in range(1,10):
        content=request(i)
        div_list=soup(content)
        for div in div_list:  # 循环查看每个文章的信息并存储到txt文件中
            f.write(
                "******************************************************************************************************\n")
            f.write("篇名： " + div.find("h3").string + "\n")
            f.write("作者： " + div.find("li", class_="author").string + "\n")
            f.write("类别： " + div.find("li", class_="lmname").string + "\n")
            f.write("时间： " + div.find("li", class_="timer").string + "\n")
            f.write("内容： " + div.find("p").string + "\n")
f.close()

三、完整代码

########################################################################################################################
# -*- coding: utf-8 -*-
# author:lyq
########################################################################################################################
# 导入需要用到的库
import requests
from bs4 import BeautifulSoup

#请求网页内容
def request(num):
    # 设置浏览器头部信息
    headers = {
        'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.80 Safari/537.36'
    }
    url = 'https://gary666.com/learn?page='+str(num)  # 需要请求的网页的链接
    html = requests.get(url,headers=headers)  # get方式请求数据
    # print(html.status_code)  # 查看请求的状态码（200表示请求正常）
    html.encoding = html.apparent_encoding  # 设置编码，防止由于编码问题导致文字错乱
    # print(html.text)  # 查看请求到的内容
    content = html.text
    return content

# 解析需要的内容
# 解析器自带的是html.parser，也可以用lxml，兼容性更好，不过要单独安装第三方库
def soup(content):
    soup = BeautifulSoup(content, "html.parser")
    # 获取所有的文章信息
    div_list = soup.find_all("div",class_="blogs")  # 注意： 若属性名是 class 则需要在后面加个下划线,写成 class_
    return div_list

if __name__ == '__main__':
    f = open("requests+bs4.txt", "w")
    for i in range(1,10):
        content=request(i)
        div_list=soup(content)
        for div in div_list:  # 循环查看每个文章的信息并存储到txt文件中
            f.write(
                "******************************************************************************************************\n")
            f.write("篇名： " + div.find("h3").string + "\n")
            f.write("作者： " + div.find("li", class_="author").string + "\n")
            f.write("类别： " + div.find("li", class_="lmname").string + "\n")
            f.write("时间： " + div.find("li", class_="timer").string + "\n")
            f.write("内容： " + div.find("p").string + "\n")
    f.close()