Python爬取练习：指定百度搜索的内容并提取网页的标题内容

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

以下文章源于白菜学python ，作者小白菜

刚接触Python的新手、小白，可以复制下面的链接去免费观看Python的基础入门教学视频

https://v.douyu.com/author/y6AZ4jn9jwKW

 

 

一、前言：

hello，大家好。今天为大家带来的是之前分享过的requests库与lxml库的结合使用案例一：指定百度搜索的内容并提取网页的标题内容。好的，废话不多说，直接上主菜。

二、第一步：完成初步分析

下面我们来完成我们的第一步，分析我们的目标。大家可千万不要小看这一步哦，因为我们只有思路清晰才能在较短的时间里面写出漂亮的代码。

1.确定url：

首先，我们想要请求网页，必须知道我们的url（即网址）是什么。下面，我打开Chrome（谷歌）浏览器，并且打开百度页面，指定搜索“python”，得到下图结果：

 

我们看地址一栏，得到下面的结果：

https://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&rsv_idx=1&tn=baidu&wd=python&fenlei=256&rsv_pq=e6c98fa60000b3c7&rsv_t=ff23ux%2Fo0HUBjQUrZDgdM9P%2FKpED%2BPhg%2BHbC6wUj0TJVJOIiQELff7EpXUc&rqlang=cn&rsv_dl=tb&rsv_enter=1&rsv_sug3=7&rsv_sug1=5&rsv_sug7=101&rsv_sug2=0&rsv_btype=i&inputT=1370&rsv_sug4=2044&rsv_sug=2

 

这么长的内容其实并不是我们都需要的（当然你也可以选择不删除，直接使用这个url，但是这个太冗长了，我就不选择这么做了），我们可以尝试去裁剪掉一些可能多余的字母。

当然我们去掉一些可能多余的项也不是乱去的，而是得有一定的依据，这里我们打开浏览器的开发者工具，可以按快捷键F12，或者鼠标右击选择检查。然后选择其中的Network项，再选择Network中的第一个文件。如下图操作：

 

 

然后观察右边，将滑动条拉至底部，你会发现，有一个wd：python的内容，显然，这个就是我们搜索的内容，那么我们就要根据这个提示来删除一些不必要的东西。

删除后得到下面的结果：

https://www.baidu.com/s?wd=python

 

然后使用这个url去访问，发现成功访问，好的这个就是我们需要的url。

2.确定headers参数内容：

这个简单，如果你之前看过我写的requests库教程，那么这个headers参数的确认可以直接跳过。

一般来说，我们写headers参数，优先只写User-Agent参数，当单独使用这个参数爬取失败的时候，可以考虑添加其他的headers参数，或者考虑是否是因为其他反爬措施的影响。

下面以图片和文字的方式讲解去哪里获取headers参数内容：

 

 

三、第二步：完成获取页面程序主体框架

写python程序，有时候很矛盾，是用面向对象呢？还是面向过程呢？其实都随意（我比较随意，因为没有人要求我必须使用什么写），这里我采取面向对象的方式来写这个程序。

1.首先，我们需要写出大体的框架：

#文件一
import requests

class MySpider(object):
    def __init__(self):
        self.url = 'http://www.baidu.com/s?wd={name}' #这里采用format的格式化输入
        self.headers = {
            'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
        }

    def main(self):
        #处理url
        self.target = input('请输入你感兴趣的内容：')
        self.url = self.url.format(name=self.target)  #重新构建url，大家测试的时候可以尝试打印
        #请求
        text = self.get() 
        #写入文件
        self.write(text)

    def get(self):
        '''请求并返回网页源代码'''
        pass
    
    def write(self,text):
        '''将返回的源代码写入文件，等待之后解析用'''
        pass

if __name__ == '__main__':
    spider = MySpider()
    spider.main()

 

2.为什么需要写入文件，而不直接解析：

这里有几个原因。

1>我们写代码，一般来说都不可能一次写成功，总是需要修改和测试的。平时我们写代码，自然可以随意的测试运行，都可以检测代码是否正确，但是爬虫却不能这样。因为如果你在较短时间内访问了网站次数过多，可能会导致网站对你做出一些限制性举动，比如：增加验证码判断你是否为人类，严重点的短时间内封禁你的ip。因此，我们将网页源代码写入文件，这样在之后写解析代码的时候就不需要重新去访问网站了。

2>我们以html的形式写入文件，可以用浏览器打开这个文件，可以比较清晰的看出这个文件是否为我们需要爬取的文件。如下图是我爬取后存入的文件以谷歌浏览器打开的结果：

 

四、完成获取页面程序：

下面我们来完成获取页面的程序代码：

1.完成请求函数get:

def get(self):
        '''请求并返回网页源代码'''
        response = requests.get(self.url,self.headers)
        if response.status_code == 200:
            return response.text

 

这个没什么好说的，是最基础的代码。

2.完成写入文件函数write:

def write(self,text):
 with open('%s.html'%self.target,'w',encoding='utf-8') as f:     #这里的self.target为输入搜索的内容
  f.write(text)

 

这个也只是文件的基本操作，没什么好讲解的地方，只是注意我们这里存入的为html文件，而不是txt文件。

3.检测是否正常运行以及是否为我们想要的结果：

这里检测的方式我前面已经提及，就是浏览器打开相应的页面即可。如下图操作：

 

打开得到下面的结果：

 

说明程序正常运行。

五、完成解析页面的大体框架和局部内容：

1.完成解析页面程序的框架：

from lxml import etree

class Parse(object):
    def __init__(self):
        #读取内容并且初始化
        with open('python.html','r',encoding='utf-8') as f:
            self.html = etree.HTML(f.read())

    #解析页面
    def parse(self):
        pass

if __name__ == '__main__':
    parser = Parse()
    parser.parse()

 

2.完成解析函数parse：

下面我们来完成最后一步，解析函数的敲写。

首先我们需要分析下，我们想要获取的内容在什么标签里面。分析过程如图（个人认为这部分比较重要，因为我初学的时候主要困惑于两点：如何处理失败的请求，解析的思路是什么）

 

 

 

好的，分析清楚了我们需要的内容在哪里之后，可以使用lxml来写代码了，如下：

def parse(self):
    #获取url
    h3_tags = self.html.xpath('//h3[contains(@class,"t")]//text()')
    h3_tags = [i.strip() for i in h3_tags]
    print(h3_tags)

 

下面要做的工作就是处理这些字符串，但是这个并不是我们的重点，并且这些数据并不重要，所以就不处理了。

六、总结与全文代码：

1.首先附上全文代码：

# -*- coding:utf-8 -*-

#获取网页内容文件
import requests

class MySpider(object):
    def __init__(self):
        self.url = 'http://www.baidu.com/s?wd={name}'
        #写清楚获取headers途径
        self.headers = {
            'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36'
        }

    def main(self):
        #处理url
        self.target = input('请输入你感兴趣的内容：')
        self.url = self.url.format(name=self.target)
        #请求
        text = self.get()
        #写入文件
        # self.write(text)

    def get(self):
        '''请求并返回网页源代码'''
        response = requests.get(self.url,self.headers)
        if response.status_code == 200:
            return response.text

    def write(self,text):
        with open('%s.html'%self.target,'w',encoding='utf-8') as f:
            f.write(text)

if __name__ == '__main__':
    spider = MySpider()
    spider.main()
# -*- coding:utf-8 -*-

 

#解析页面文件

from lxml import etree

class Parse(object):
    def __init__(self):
        with open('python.html','r',encoding='utf-8') as f:
            self.html = etree.HTML(f.read())

    def parse(self):
        #获取标题
        h3_tags = self.html.xpath('//h3[contains(@class,"t")]//text()')
        h3_tags = [i.strip() for i in h3_tags]
        print(h3_tags)

if __name__ == '__main__':
    parser = Parse()
    parser.parse()

 

2.总结：

好的，今天的分享就到此为止了。这是最基础的案例，主要目的是让大家先熟悉下，如何使用requests和lxml写一个爬虫程序，其次就是让大家熟悉下分析网站的思路。

好的，谢谢大家。