这几天刚好在学Requests和BeautifulSoup结合做爬虫爬取网页内容,恰巧有个哥们在群里问select函数里应该怎么来填?我想也是我在学,不妨找他一起做做,如果能帮人那最好不过啦。
好吧,进入正题
本次爬取的网址是:https://movie.douban.com/,采用的浏览器是Chrome,内容为下图类似于电影的名字、评分,以及图片链接等等。
首先按照传统的方法
当然首先的想法是按照传统的方法=获取源代码,解析网页,select网页标签取内容。
利用Chrome浏览器里的工具我们可以知道我们要爬取的内容存在于img标签里
#-*-coding:utf-8-*-
importrequests
frombs4importBeautifulSoup
importsys
reload(sys)
sys.setdefaultencoding('utf-8')
url='https://movie.douban.com'
res=requests.get(url)
content=res.text#获取网页源码
soup=BeautifulSoup(content,'html.parser')
forImginsoup.select('img'):#因为图片存在img标签里,因此select里选取img标签
printImg
直接上代码,毕竟这不是今天我们要讲的主题。
结果你会发现这并不是我们想要的内容。
为什么会这样呢?明明就是那个网址,那个标签,会不会我代码有问题,直接对比了网页源码和网页页面右键的源码,发现两个内容是有差别的,被隐藏了一些内容(那些内容正是我所想要的)
后来百度了解到,这是由于网页中加载了javascript动态标签所导致的。那么问题来了,我们就不能按照传统的方法爬取javascript动态加载的内容了。
2.采取PyQt4+BeautifulSoup方法
大家觉得不懂可以先去了解什么是Javascript动态加载,我理解的意思大概就是有个js文件加载到网页里,我没学过这部分内容,欢迎大家指正喷我。
大家也可以先看这篇文章
http://www.cnblogs.com/asmblog/archive/2013/05/07/3063809.html
大概原理就是利用PyQt4包里的
webkit模块就能解析js文件了。
首先你需要下载PyQt4包,但是我发现在dos界面下没法pip安装,没办法喽,你只能手动安装
直接给大家网址吧,免得大家找的辛苦:https://riverbankcomputing.com/software/pyqt/download
调用写好的一个类
classRender(QWebPage):
def__init__(self,url):
self.app=QApplication(sys.argv)
QWebPage.__init__(self)
self.loadFinished.connect(self._loadFinished)
self.mainFrame().load(QUrl(url))
self.app.exec_()
def_loadFinished(self,result):
self.frame=self.mainFrame()
self.app.quit()调用写好的类便可以解析出网页真正的源代码了(也就是包括js加载的内容)
总之首要任务就是先解析整个网页再说
#-*-coding:utf-8-*-
importsys
fromHTMLParserimportHTMLParser
frombs4importBeautifulSoup
fromPyQt4.QtWebKitimport*
fromPyQt4.QtGuiimport*
fromPyQt4.QtCoreimport*
classRender(QWebPage):
def__init__(self,url):
self.app=QApplication(sys.argv)
QWebPage.__init__(self)
self.loadFinished.connect(self._loadFinished)
self.mainFrame().load(QUrl(url))
self.app.exec_()
def_loadFinished(self,result):
self.frame=self.mainFrame()
self.app.quit()
url='https://movie.douban.com'
r=Render(url)
html=r.frame.toHtml()
html=html.toUtf8()
printhtml
好了,成功解析出整个网页源代码,包括我们要的内容也在里面。
但是此时还不能直接用BeautifulSoup里select标签,因为你print下html变量的类型就知道
html=r.frame.toHtml()
printtype(html)
html=html.toUtf8()
printtype(html)
这种界面类型的变量是无法用于
BeautifulSoup类的
soup=BeautifulSoup(html,'html.parser')直接用,直接报错
declared_encoding=declared_encoding_match.groups()[0].decode(AttributeError:'QByteArray'objecthasnoattribute'decode'
因此我们需要了解下,参考
http://blog.sina.com.cn/s/blog_4b5039210100h9kp.html里面
Python String和PyQt QString的区别以及之间的转换
html=unicode(html,'utf8','ignore')我们只要添加这条语句即可
我们可以按照传统的方法解析我们的标签了
贴上完整代码
#-*-coding:utf-8-*-
importsys
fromHTMLParserimportHTMLParser
frombs4importBeautifulSoup
fromPyQt4.QtWebKitimport*
fromPyQt4.QtGuiimport*
fromPyQt4.QtCoreimport*
classRender(QWebPage):
def__init__(self,url):
self.app=QApplication(sys.argv)
QWebPage.__init__(self)
self.loadFinished.connect(self._loadFinished)
self.mainFrame().load(QUrl(url))
self.app.exec_()
def_loadFinished(self,result):
self.frame=self.mainFrame()
self.app.quit()
url='https://movie.douban.com'
r=Render(url)
html=r.frame.toHtml()
html=html.toUtf8()
html=unicode(html,'utf8','ignore')#把html转为我们所需要的pythonunicode类型
soup=BeautifulSoup(html,'html.parser')
foriteminsoup.select('img'):
printitem['alt']+""+item['src']#获取img标签下图片以及名字信息
3.感想,未完待续
第一次写,欢迎转载!也希望大家多多喷我,同时给我意见指正。写完我发现还有两个问题
程序运行有点慢,觉得应该是加载PyQt包太大了,或许还有更好的包,或许我还可以单独只提取包里单独的模块。
2.网页上有个“加载更多”的没法解决,也就是说一个网页爬取的内容有限,或许后面我应该学习下如何实现点击那个加载更多的按钮。
最后衷心希望大家和我交流。