雪球网股票用户评论爬虫

最新推荐文章于 2024-03-30 13:15:46 发布

置顶

蚌埠先森

最新推荐文章于 2024-03-30 13:15:46 发布

阅读量2.6k

点赞数 5

分类专栏：读研之路文章标签：爬虫

本文链接：https://blog.csdn.net/weixin_44745159/article/details/110144603

版权

一、什么是爬虫？

网络爬虫，其实叫作网络数据采集更容易理解。
就是通过编程向网络服务器请求数据（HTML表单），然后解析HTML，提取出自己想要的数据。
归纳为四大步：

1.根据url获取HTML数据
2.解析HTML，获取目标信息
3.存储数据
4.重复第一步

二、HTML

什么是HTML？
超文本标记语言（英语：HyperTextMarkupLanguage，简称：HTML）是一种用于创建网页的标记语言，里面嵌入了文本、图像等数据，可以被浏览器读取，并渲染成我们看到的网页样子。
所以我们才会从先爬取HTML，再解析数据，因为数据藏在HTML里
比如这就是一个简单的html程序

<!DOCTYPE html>
<html>
  <head>
    <title>This is a title</title>
  </head>
  <body>
    <p>Hello world!</p>
  </body>
</html>

三、爬虫基本原理

在编写python爬虫程序时，只需要做以下两件事：
①发送GET请求（模拟计算机对服务器发起Request请求），获取HTML
②解析HTML，获取数据
这两件事，python都有相应的库帮你去做，你只需要知道如何去用它们就可以了。

四、爬虫三大库

1.Request库

作用是请求网站获取网页数据

import requests
res = requests.get('http://www.baidu.com')
print(res)   # 返回200则请求网址成功，404或者400则失败
print(res.text)

显示的结果和F 12的一样

有时爬虫需要加入请求头来伪装成浏览器，以便更好地抓取数据。
在F 12里的network里headers中找到User-Agent进行复制
在这里插入图片描述

import requests
headers = {
   
       'User-Agent':' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)）Chrome/87.0.4280.66 Safari/537.36'
}

res = requests.get('http://www.baidu.com')
print(res)   # 返回200则请求网址成功，404或者400则失败
print(res.text)

Requsets 库不仅有get()方法，还有post()等方法，用来提交表单来爬取需要登陆才能获取数据的网络。
如果遇到抛出异常，修改后爬虫程序还需要再重新运行，效率很低。这时可以使用try来避免异常

try:
    print(res.text)
except ConnectionError    #出现except后面的错误后执行下面聚聚
    print('拒绝连接')

2. BeautifulSoup库

通过BeautifulSoup库可以轻松解析Request库请求的页面，并把网页的源代码解析成Soup文档，以便过滤提取数据

import requests
from bs4 import BeautifulSoup
headers = {
   
       'User-Agent':' Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko)）Chrome/87.0.4280.66 Safari/537.36'
}
res = requests.get('http://www.baidu.com')
soup = BeautifulSoup(res.text,'html.parser')   # 对返回的结果进行解析
print (soup.prettify())