通过右击鼠标按钮,选中检查。
可以看出右侧已经出现网页的源码啦。初学者看不懂这样的代码其实不必担心,我们只是想获得自己需要的内容,并不需要对完整网页的编码过程进行逐一了解。
移动鼠标在代码的不同行,移动到某处发现左侧的网页界面边蓝(表示已经选中对应网页中的某部分内容),点击代码左侧的小三角一次进行展开,直到展开得到你想要的内容。
比如在下图中,我们搜索了Python这个语句,搜索完成后,查看网页的隐藏代码部分如下图:
鼠标移动在代码中,逐渐展开代码,其实可以明显看出,我们搜索字符串“Python”,因此右侧的ov和value值中出现了python字段,并且可以在前边的input type中看出输入的是text文本类型的字符串。
因此我们尝试修改一下输入的类型,双击input type=“text”的text字段,将其修改为“password”,双击完成后,可以看出左侧直接变为了密码型的字段。
再将其恢复为文本类型,我们再修改一下ov和value的值
可以看出修改后搜索界面也发生了相应的改变,因此可以看出界面与代码之间是相对应的。在Network中同样也可以看到对应的搜索文本内容。
二、入门爬虫库的基本介绍与使用
**
库的下载
**
可以通过在windows的cmd命令(开始键+r键–>输入cmd打开)中输入
pip install <库名>
即可直接下载
如果是采用PyCharm,则可以在File–>setting内搜索库名直接进行下载
介绍完库的下载方法后接下来就是库的介绍引用过程啦!!
依此将函数的功能列出实在是比较枯燥,因此选择举例方法介绍基本库函数的使用!
1.引入requests库并对库函数进行使用爬取全文本信息
首先爬虫需要使用的库是requests库,其功能主要是由网站的url获取网页全部信息。
import requests
req = requests.get(url = <目标网站>, headers = <网站爬虫的头信息>)
#通常使用headers来隐藏自己爬虫的身份,通过headers信息将自己伪装成->
#浏览器搜索引擎等,是防止一些网站识破代码爬虫的有效手段。
requests.get()函数主要是返回网页的基本信息,通常要对获得的信息进行解码,此时就需要了解到原始网页的头文名里的编码信息。
一般是在里边找到"charset"的信息,一般为utf-8。
req.enconding = "utf-8" #解码过程
html = req.text #导出文本内容
其实到这里就可以对小说网站进行最基本的爬虫了,
以下就是最基础的入门代码。
import requests
#from bs4 import BeautifulSoup
if __name__ == '__main__':
url = 'https://www.xqb5200.com/95_95204/49370156.html'#目标访问网站url
#伪装头信息的引入
header = {"User-Agent":
"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400"}
req = requests.get(url=url,headers = header) #返回爬取网站信息
req.encoding = 'gbk' #查看head中charset可以查找到编码信息
html = req.text #转化为文本
print(html)
看到这里,初学者肯定会疑惑headers是从哪儿获取得到的,下面是简单举例:
在网页的Netwrok中找到headers,往下翻,寻找到User-Agent,将其复制粘贴即可。
爬取结果如下:
显然,它把全部信息都显示了,并不是我们需要的内容。
接下来就要引入另一个库进行。
2.BeautifulSoup库的介绍、引用过程及解析获取爬虫数据
除了requests库的爬取内容,其次就是BeautifulSoup库的解析数据功能。
BeautifulSoup库是BeautifulSoup4库(一般书写为bs4)中的子库。
import bs4 from BeautifulSoup
#html接上文中的已爬取得到的全部信息
bes= BeautifulSoup(html,"lxml")#通过lxml方式解析获取网页中文本信息
text = bes.find("div", id = "content"[,class_ = "<class的名称>"]) #解析text中,提取标签为"div"内id = "content"全部信息,也可解析提取class = <某名称>的内容信息
代码如下:
import requests
from bs4 import BeautifulSoup
if __name__ == '__main__':
url = 'https://www.xqb5200.com/95_95204/49370156.html'
header = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400"}
req = requests.get(url=url,headers = header)
req.encoding = 'gbk'
html = req.text
bes = BeautifulSoup(html,"lxml")
texts = bes.find("div", id = "content")
print(texts)
运行结果如下:
结果中可以看出在每段的开头处存在四个空格键,因此需要将其消除
代码如下:
texts_list = texts.text.split("\xa0"*4)
print(texts_list)
得到列表结果:
**
全代码如下:
**
import requests
from bs4 import BeautifulSoup
if __name__ == '__main__':
url = 'https://www.xqb5200.com/95_95204/49370156.html'
header = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400"}
req = requests.get(url=url,headers = header)
req.encoding = 'gbk'
html = req.text
bes = BeautifulSoup(html,"lxml")
texts = bes.find("div", id = "content")
texts_list = texts.text.split("\xa0"*4)
with open("D:/novel.txt","w") as file: ##打开读写文件,逐行将列表读入文件内
for line in texts_list:
file.write(line+"\n")
得到结果如下:
别急,还有亿点点!
三、初步进阶——批量爬取下载小说
批量读入小说文本文件
可将代码进一步深化,采用同样的操作方法,从全体章节处读取url网站名导入列表中,再对以上代码进行批量的读取即可进行批量下载小说等文本文件了。
**
批量爬取下载小说至txt文本全代码如下:
**
import requests
from bs4 import BeautifulSoup
def geturl():
url = "https://www.xqb5200.com/95_95204/"
header = {"User-Agent":
"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400"}
req = requests.get(url = url, headers = header)
req.encoding = "gbk"
html = req.text
bes = BeautifulSoup(html,"lxml")
texts = bes.find("div", id="list")
chapters = texts.find_all("a") #该函数可以返回list下的标签为a的所有信息
words = [] #创建空的列表,存入每章节的url与章节名称
##对标签a内的内容进行提取
for chapter in chapters:
name = chapter.string #取出字符串,可以看出字符串只有章节号与章节名称,刚好符合我们所需
url1 = url + chapter.get("href") #获得每一章节小说的url,可从html代码中看到每一个"href"前边均缺少初始的url,因此需要加上
word = [url1, name] #以列表格式存储
words.append(word) #最终加入总的大列表中并返回
return words
if __name__ == '__main__':
target = geturl()
header = {"User-Agent":
"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.25 Safari/537.36 Core/1.70.3861.400 QQBrowser/10.7.4313.400"}
for tar in target:
req = requests.get(url=tar[0],headers = header)
req.encoding = 'gbk'
### 最后
> **🍅 硬核资料**:关注即可领取PPT模板、简历模板、行业经典书籍PDF。
> **🍅 技术互助**:技术群大佬指点迷津,你的问题可能不是问题,求资源在群里喊一声。
> **🍅 面试题库**:由技术群里的小伙伴们共同投稿,热乎的大厂面试真题,持续更新中。
> **🍅 知识体系**:含编程语言、算法、大数据生态圈组件(Mysql、Hive、Spark、Flink)、数据仓库、Python、前端等等。
**网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。**
**[需要这份系统化学习资料的朋友,可以戳这里无偿获取](https://bbs.csdn.net/topics/618317507)**
**一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!**