爬虫理解:爬虫是一个模拟人类请求网站行为的程序。可以自动请求网页、并数据抓取下来,然后使用一定的规则提取有价值的数据。
爬虫的过程
获取数据:
通过服务器向目标站点发起请求,请求可以包含额外的header等信息,如果服务器能正常响应,会得到一个Response,便是所要获取的页面内容。
解析内容:得到的内容可能是HTML、json等格式,可以用页面解析库、正则表达式等进行解析。
保存数据:保存形式多样,可以存为本地文本,也可以保存到数据库(MySQL等)
首先需要选择网址获取数据,用request库
import requests
r=requests.get("http://www.baidu.com")#使用get函数打开百度
print(r) #返回状态
r.encoding='utf-8'#中文字符可以输出
print(r.text)
解析内容,用beautifulsoup4
import requests
from bs4 import BeautifulSoup
r=requests.get("http://www.baidu.com")
print(r) #返回状态
r.encoding="utf-8"
soup=BeautifulSoup(r.text) #soup是beautifulsoup的一个对象
type(soup)
保存数据
可选择保存为文本或数据库