python爬虫实例1:获取一个网页的列表数据
以下是一个使用requests
和BeautifulSoup
爬取网站的示例:
import requests
from bs4 import BeautifulSoup
# 发送请求
response = requests.get('https://www.example.com')
# 解析网页内容
soup = BeautifulSoup(response.content, 'html.parser')
# 获取标题
title = soup.title.string
print(f'Title: {title}')
# 获取正文内容
body = soup.body
print(f'Body: {body.text}')
# 获取所有链接
links = []
for link in soup.find_all('a'):
links.append(link.get('href'))
print(f'Links: {links}')
上述代码首先使用requests
库发送了一个 GET 请求,获取了https://www.example.com
网站的内容。然后,使用BeautifulSoup
解析了这个网页的 HTML 内容,并使用一些方法获取了网页的标题、正文内容和所有链接列表。这个例子展示了如何结合使用requests
和BeautifulSoup
库来爬取网站,并获取网页的不同元素。
设置请求头
当我们使用requests
发送请求时,有些网站会对没有设置请求头的请求进行过滤或拒绝,这时我们需要设置请求头来模拟一个正常的浏览器请求,以下是一个带有请求头的示例:
import requests
from bs4 import BeautifulSoup
# 设置请求头
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
}
# 发送请求
response = requests.get('https://www.example.com', headers=headers)
# 设置编码方式为 UTF-8
response.encoding = 'utf-8'
# 解析网页内容
soup = BeautifulSoup(response.content, 'html.parser')
# 获取标题
title = soup.title.string
print(f'Title: {title}')
# 获取正文内容
body = soup.body
print(f'Body: {body.text}')
# 获取所有链接
links = []
for link in soup.find_all('a'):
links.append(link.get('href'))
print(f'Links: {links}')
在上述代码中,我们设置了一个headers
字典,其中包含了User-Agent
头,该头信息会告诉服务器我们使用的是哪个浏览器。然后使用requests
发送请求时,传入了该请求头信息,服务器就会认为我们是一个正常的浏览器请求,从而返回响应内容。
请求头包含了很多信息,其中比较常用的有以下几个:
User-Agent
:浏览器的标识,通常为浏览器的名称和版本号。Referer
:表示请求的来源页面的 URL。Accept
:表示浏览器接受的数据类型。Cookie
:表示客户端存储在本地的用于标识客户端身份的信息。Authorization
:表示客户端认证的信息,用于访问需要身份验证的资源。Host
:表示请求的目标主机名和端口号。Connection
:表示客户端请求完毕后是否保持与服务器的连接。Accept-Language
:表示浏览器接受的语言类型。
在实际爬取网页时,通常需要根据具体的网站进行调整,以便让服务器认为我们是一个正常的浏览器请求。需要注意的是,不同的网站可能需要不同的请求头,因此在编写爬虫时,需要根据具体的情况进行调整。
设置编码格式
当我们使用requests
发送请求时,有些网站的编码方式可能不是 UTF-8,这时我们需要在发送请求时设置编码方式来正确解析网页内容。以下是一个设置编码方式为 UTF-8 的示例:
import requests
from bs4 import BeautifulSoup
# 发送请求
response = requests.get('https://www.example.com')
# 设置编码方式为 UTF-8
response.encoding = 'utf-8'
在上述代码中,我们通过response.encoding
属性将网页的编码方式设置为 UTF-8,以便正确解析网页内容。这样,当我们使用BeautifulSoup
解析网页内容时,就能够正确地获取到网页的标题、正文内容和所有链接了。
常用的网站编码主要包括以下几种:
- UTF-8:这是一种变长的 Unicode 编码,它能够表示所有的 Unicode 字符。UTF-8 是目前互联网上最常用的编码方式之一。
- GB2312:这是一种针对简体中文的字符集编码,它包含了 6763 个汉字和 682 笔画组成的字符集。
- GBK:这是对 GB2312 字符集的扩充,它包含了 21003 个汉字和多个其他字符。
- BIG5:这是一种针对繁体中文的字符集编码,它包含了 13060 个汉字和多个其他字符。
- ISO-8859-1:这是一种西欧字符集编码,它能够表示西欧语言中的所有字符。
在使用 Python 进行爬虫时,需要根据网站的具体编码方式来正确解析网页内容,以便正确地获取到网页的标题、正文内容和所有链接等信息。
- 📢博客主页:https://blog.csdn.net/qq233325332
- 📢欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正!
- 📢本文由 陌北v1 原创,首发于 CSDN博客🙉
- 📢停下休息的时候不要忘了别人还在奔跑,希望大家抓紧时间学习,全力奔赴更美好的生活✨