简介
最近在学习python,这几篇博文用于个人记录总结,不正之处还望大佬指出。(适合学习过python的同学)
用Python写爬虫入门篇(一)
用Python写爬虫入门篇(二)
用Python写爬虫入门篇(三)
以下介绍下如何用爬虫抓取静态网页,用以熟悉整个爬取过程。
我的运行环境
系统版本:Windows10
Python版本:Python3.7
IDE:IDEA(因为平时主要用JAVA就没安PyCharm了)
(安装适合自己的环境即可)
爬取思路
- 确定爬取地址与目标数据
- 用头文件模拟浏览器访问
- 用requesty请求页面(需要下载包 --pip install requests)
- 用BeautifulSoup工具分析页面(需要下载包 --pip install beautifulsoup4)
- 最后将数据存入相应文件
爬取实例:
我们以 https://blog.csdn.net/ 为例,假设爬取图中的标题与标题的URL地址
右键选择 “查看网页源代码(V)”在源代码中找到目标数据
由图可知,目标数据在div标签(class为title)中的a标签内,知道以上内容即可写代码。
详细代码如下
(因为有注释就不过多解释了)
#coding:utf-8
from urllib import request
from bs4 import BeautifulSoup #需要下载相应包
url = "https://blog.csdn.net/"#目标网站地址
#头文件,让爬虫模拟浏览器访问(可以在自己浏览器中查看)
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 UBrowser/6.2.4094.1 Safari/537.36'}
page = request.Request(url,headers=headers)
page_info = request.urlopen(page).read().decode("utf-8")
soup = BeautifulSoup(page_info,"html.parser") #分析目标网页
divs = soup.find_all('div',class_='title')#筛选内容,第一个参数是标签,第二个参数是class_,还可写正则表达式等参数
with open(r"D:\title_url.txt","w+") as file: #此处为爬虫的输出结果目录
for div in divs:
title=div.a # XPath路径
file.write(title.getText().replace(" ","")+"\n")
file.write(title.get("href")+"\n")
输出结果
(有很多语法细节,可以查询Beautiful Soup 4.4.0 官方文档与XPath 教程)
有时我们点击右键查看源码时,根本找不到目标数据,为什么呢,因为目标是动态网页,如何爬取动态网页请看下一篇
用Python写爬虫入门篇(三)