Python爬虫初学(kehan)
最近有事情耽搁,没有第一时间将资料整理出来,不过还好注释详细,内容还是很精辟的,通过这篇文章,你将简单学会,写自己的模块,爬取网站内容,使用xlwt或csv保存数据
一. python基础语法呢,推荐廖雪峰大大的教程https://www.liaoxuefeng.com/wiki/1016959663602400。
二. 爬虫,就是模仿人类对网站进行一系列操作,获得自己想要的内容。简单的爬虫具体有以下几项操作:
-
通过’‘requests’'模块获取网页源码
-
通过BeautifulSoup模块对网页进行解析,找到自己想要的内容;
-
通过xlwt或csv保存得到的数据。
-
(如果没有安装上述几个模块的话,去网站搜索一下怎么安装)
三. 一个实例,爬取西安2019年的历史天气
-
因为导入自己的模块会很方便,所以先教教大家怎么导入自己的模块
-
在工程文件夹下新建文件夹,用来存放包
-
把新建的文件夹设为Sources Root
-
在module下新建包(包区别于文件夹的一点是自带(____init.py文件)
-
-
-
然后在______init__.py文件里编写自己的内容
-
最后一步,将模块所在路径导入搜索路径中
import sys sys.path.append(r'/home/kehan/PycharmProjects/advanced') #将模块所在路径导入搜索路径中
-
举个例子,编写一个模块输出hello,在主函数中调用:
-
-
"http://www.tianqihoubao.com/"这是我们接下来会用到的网站,爬取西安2019年全年的历史天气
import requests
resp=resquets.get("http://www.tianqihoubao.com/")
- 接下来使用BesutifulSoup解析网页内容
from bs4 import Beautifulsoup
bsobj=BeautifulSoup(resp.content,'lxml')
bsobj就是一个BeautifulSoup对象了,接下来就是对这个对象进行操 作, 获取我们想要的内容
(推荐使用火狐或者谷歌浏览器),打开网页按下F12,在查看器里找到自己想要的内容,可以在搜索框里输入关键字搜索
可以知道我们所需的内容在class="box pcity"的div标签中,使用find函数找到这个div。find函数只会找到第一个。
接下来进行类似操作,取得我们所需的西安城市的网址,网址位于a标签下,用a.get('href')
获得网址
其中在resp=requests.get(u,headers=header)
使用参数headers是为了模拟浏览器访问。header可以使用开发者工具获得,点击F12,重新访问该网站,找到第一个请求头
以下是完整代码,我将这个代码写成了自己的模块,命名为url:
import requests
from bs4 import BeautifulSoup
def get_urls(u):
s='http://www.tianqihoubao.com'
header={
'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',