爬虫很难,却很有用,尝试读了很多书都效果不好,还是得自己做一些小实例,遇到不懂得就查询,希望新入手爬虫得不用放弃,一起加油。
1.网络爬虫基础
大多数公司的重要数据都是从网页中得到,怎么把非结构化数据(网页数据)转化为结构化数据(数据库)呢?
1.1 网络爬虫的架构
使用request获取网页的内容,使用BeautifulSoup4把内容剖析出来
import requests
res=requests.get("https://news.sina.com.cn/china/")
res.encoding='utf-8'
print(res.text)#取出回应的结果
#输出的结果就是我们在谷歌开发工下看到的一样,那么怎么判断打印的内容就是我们想找的呢?
#从浏览器复制标题,打开该页面ipython,按ctrl+f,粘贴即可
1.2 怎么上面获取的内容剖析出来?
BeautifulSoup4把网页请求的内容变成DOM Tree,然后根据DOM Tree的节点进行操作,下面是dom-tree图片
from bs4 import BeautifulSoup
#下面是一个链接
html_sample='\
<html>\
<h1 id="title">Hello World</h1> \
<a href="#" class="link">This is link1</a> \
<a href="# link2" class="link">This is link2</a> \
</body>\
</html>'
soup=BeautifulSoup(html_sample,'html.parser')#指定剖析器html.parser
print(soup.text)#把里面的文字内容取出来,把旁边不需要的标签剔除
#Hello World This is link1 This is link2
1.特殊标签之中的元素以及节点的内容怎么取?
这时需要用select方法
#使用select找出含有h1标签的元素
header=soup.select('h1')
print(header)
print("========================================================")
#使用select找出含有a标签的元素
alink=soup.select("a")
print(alink)
for link in alink:
print(link)
print(link.text)#取出其文字
2.同样的标签不止一个,怎么取含有特定属性的元素呢?
可以使用CCS,网络的化妆师。
#使用select找出所有id为title的元素,在id前加#
alink=soup.select("#title")
print(alink)
#使用select找出所有class为link的元素,在class前加.
for link in soup.select(".link"):
print(link)#取出其文字
3.取得所有a标签的链接
#取得所有a标签的链接
#使用select找出所有 a tag的href属性,获取链接
alinks=soup.select("a")
for link in alinks:
#print(link)
print(link['href'])
2. 实战操作
2.1 爬虫
import requests
from bs4 import BeautifulSoup
res=requests.get("https://news.sina.com.cn/china/")
res.encoding='utf-8'
soup=BeautifulSoup(res.text,'html.parser')
print(soup)
查看标签的两种方式,目前还是新手,两者结合使用,第二种使用的infolite插件,
安装参考:安装教程,谷歌不能安装,我是按照到360浏览器也可以正常使用。
对数据进行爬虫,并整理到excel中
#通过观察chrome看到某些部分标题的类标签是news-1
import pandas as pd
for news in soup.select('.news-1'):
alink=news.select("a")
for link in alink:
ans.append([link.text,link['href']])
for news in soup.select('.news-2'):
alink=news.select("a")
for link in alink:
ans.append([link.text,link['href']])
result=pd.DataFrame(ans)
result.columns=['名称','链接']
result
2.2 排行榜
import requests
from bs4 import BeautifulSoup
res=requests.get("http://news.sina.com.cn/hotnews/")
res.encoding='utf-8'
soup=BeautifulSoup(res.text,'html.parser')
print(soup)
ans=[]
for news in soup.select('.ConsTi'):
alink=news.select("a")
for link in alink:
ans.append([link.text,link['href']])
result=pd.DataFrame(ans)
result.columns=['名称','链接']
result
2.3 最新消息
import requests
from bs4 import BeautifulSoup
res=requests.get("https://news.sina.com.cn/world/")
res.encoding='utf-8'
soup=BeautifulSoup(res.text,'html.parser')
print(soup)
可以先看看里面有什么内容?
#通过观察chrome看到某些部分标题的类标签是news-1
ans=[]
import pandas as pd
for news in soup.select('.img-news-item'):
name=news.select('h2')[0].text
time=news.select('.time')[0].text
link=news.select('a')[0]['href']
ans.append([time,name,link])
result=pd.DataFrame(ans)
result.columns=['日期','名称','链接']
result
备注:图片均被模糊,因为博客不让发。