前言
大家好,这里是「Python知识圈」python 爬虫课堂。此文首发于「Python知识圈」公众号,欢迎大家关注。
俗话说,万事开头难,学习爬虫也是如此。我们知道,python 爬虫主要步骤无非就是:获取源码、从源码中提取需要的信息、保存数据这几个主要步骤。
俗话说,万事开头难,遭遇挫折时,我们往往会在踏出的第一步选择放弃。学习爬虫亦是如此,最容易放弃的在第一步:获取源码,因为获取源码方式有很多,不同方式针对不同的页面结构。你会了一种方式,感觉很简单,但是碰到另一种情况,套用这个方法行不通时,可能会让你望而却步。话不多说,今天就带你入门爬虫。
爬虫提取页面源代码主要有两种方法:requests 库 和 selenium 库。
下面分析这两种方式的适用场景和优缺点。
requests 库提取
requests 适合提取需要的元素信息直接保存在页面的源代码里面,可以直接用 requests.get(url).text 来提取页面源码。之前发的 100 行代码找出你中意的书 项目用的就是此方法。用此方法解析前后面必须带上 text 才行。
Python
import requests
from bs4 import BeautifulSoup
url='https://mp.weixin.qq.com/s/HxHFE7jB3hU6gBZWeHB5xw'
html = requests.get(url)
soup = BeautifulSoup(html.text, 'lxml')
print(soup)
1
2
3
4
5
6
importrequests
frombs4importBeautifulSoup
url='https://mp.weixin.qq.com/s/HxHFE7jB3hU6gBZWeHB5xw'
html=requests.get(url)
soup=BeautifulSoup(html.text,'lxml')
print(soup)
下面是输出结果的部分截图:
requests 库提取源代码优缺点
优点:提取页面快。
缺点:不适合提取元素不是加载在源代码的项目。
selenium 库提取
selenium 库适合提取我们需要的信息不在源代码里面的,昨天发的获取网易云音乐的项目 听歌慌?80 行代码帮你搞定! 就是用的此方法。
我们通过 F12 代码调试元素里面可以看到我们需要提取的元素,但是在源代码里面找不到这些元素,这时只能用自动化测试库 selenium 库,通过操作浏览器的驱动来操作浏览器,所以前期工作需要把对应的驱动 driver 下载下来放在 python 3 安装的目录下。
注意:driver 的版本需要浏览器版本对应,比如我用的 Chrome 谷歌浏览器 67.0 版本,对应的 chromedriver 版本是 2.38,对应关系表和驱动下载链接可在我公众号后台回复 「谷歌驱动」 获取。
看下昨天爬虫爬取音乐的代码
Python
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
browser = webdriver.Chrome()
wait = WebDriverWait(browser,5) #设置等待时间
#返回歌手名字和歌手id
def get_singer(url):
browser.get(url)
browser.switch_to.frame('g_iframe')
html = browser.page_source
soup=BeautifulSoup(html,'lxml')
1
2
3
4
5
6
7
8
9
10
11
12
fromseleniumimportwebdriver
fromselenium.webdriver.support.uiimportWebDriverWait
browser=webdriver.Chrome()
wait=WebDriverWait(browser,5)#设置等待时间
#返回歌手名字和歌手id
defget_singer(url):
browser.get(url)
browser.switch_to.frame('g_iframe')
html=browser.page_source
soup=BeautifulSoup(html,'lxml')
selenium 库提取源代码优缺点
优点:用 selenium 自动化库模拟人工操作浏览器,不用设置代理 ip 和 headers 去做反爬虫处理,可以直接提取页面元素里的信息。
缺点:模拟人工操作浏览器,受到网络影响,爬虫速度没有 requests 库提取快。
用 selenium 库处理时还有一个坑需要注意,需要提取的页面元素不在主框架frame 里面,而是在其中的一个子框架 iframe 里面,需要找到这个子框架的 id,并切换到这个子框架后才提取页面。怎么找到这个子框架呢?教大家一个笨方法,在元素区域搜索 iframe,点到搜索到的 iframe,如果阴影区域包括你需要提取的元素,那就是这个 iframe,提取它的 id 即可。
找到子框架的 id 后,用 swith_to.frame(“”) 切换到此框架。
本次爬虫入门知识点就分享到这里。