python3 爬虫_python3 爬虫第一步 简单获取网页基本信息

注：本系列专栏需要有简单的python3 语言基础爬虫的相关作用在此就不再说明，相信能够点进该系列文章的读者都已经了解了爬虫是什么，并且能够做什么。由于是发布在互联网的文章，所以系列文章都不以书籍的方式从头到尾的叙述作用及其一些简介。文章将快速的进入爬虫的开发讲解。

开始

爬虫一般的实现流程如下：

首先向一个 Url 地址发送请求，随后远端服务器将会返回整个网页。常规情况下，当我们使用浏览器访问网站也是这么一个流程；用户在浏览器输入一个地址，浏览器将会发送一个服务器请求，服务器返回请求的内容，随后浏览器解析内容。其次，发送请求后，将会得到整个网页的内容。最后，通过我们的需求去解析整个网页，通过正则或其它方式获取需要的数据。

发送请求 获取网页

一般情况下发送请求和获取网页是相互实现的，通过请求后就会得到网页数据。我们使用requests 库进行web的请求。代码编写如下：

import requestsurl="https://www.baidu.com/"headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'}html=requests.get(url,headers=headers)print(html.text)

• import requests：引入 requests 模块
• url="https://www.baidu.com/"：设置要请求的url值，这里为百度
• headers：为了更好的伪造自己是浏览器访问的，需要加一个头，让自己看起来是通过浏览器访问
• html=requests.get(url,headers=headers)：requests使用get方法，请求网站为url设置的值，头部为headers
• print(html.text)：显示返回的值html中的text文本，text文本则为网页的源代码

解析网页

接下来需要使用一个库 BeautifulSoup库，BeautifulSoup 是灵活方便的网页解析库，使用bs4(BeautifulSoup )可以快速的使我们获取网页中的一般信息。例如我们需要获取刚刚得到网页源码中的title标题，首先引入 bs库：

from bs4 import BeautifulSoup

随后使用 beautifulsoup 进行解析，html.parser 代表html的解析器，可以解析html代码；其中 html.text 为网页源码为html，如下：

val = BeautifulSoup(html.text, 'html.parser')

解析完成后，如果想获取标题值，则直接使用 .title 进行获取：

print(val.title)

运行结果如下：

完整代码如下：

import requestsfrom bs4 import BeautifulSoupurl="https://www.baidu.com/"headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'}html=requests.get(url,headers=headers)val = BeautifulSoup(html.text, 'html.parser')print(val.title)

如果想进行抓取文件的保存，可以如下方式编写代码：

f = open(r'D:html.html',mode='w')f.write(html.text)f.close() 

以上代码将网页的源代码保存至D盘根目录下，完整代码如下：

import requestsfrom bs4 import BeautifulSoupurl="https://www.baidu.com/"headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.119 Safari/537.36'}html=requests.get(url,headers=headers)val = BeautifulSoup(html.text, 'html.parser')print(val.title)f = open(r'D:html.html',mode='w')f.write(html.text)f.close() 

以上代码可能会出现编码不一致，出现“乱码”的情况，可以通过以下方式解决：

f = open(r'D:html.html',mode='w',encoding="utf-8")

在open函数中，添加编码为 utf-8 即可。最终打开保存的文件如下：

由于有些资源是动态加载，获取的链接有时效性，所以并没有显示。

这样最简单的一个爬虫就解决了，下一篇将继续深入了解爬虫。