网络爬虫的基本工作流程如下:
1.首先选取一部分精心挑选的种子URL。
2.将这些URL放入待抓取URL队列。
3.从待抓取URL队列中读取待抓取队列的URL,解析DNS,并且得到主机的IP,并将URL对应的网页下载下来,存储进已下载网页库中。此外,将这些URL放进已抓取URL队列。
4.分析已抓取URL队列中的URL,从已下载的网页数据中分析出其他URL,并和已抓取的URL进行比较去重,最后将去重过的URL放入待抓取URL队列,从而进入下一个循环。
- 下面我们用BS4 解析库来爬取想要的数据
作用:用来解析网页,提取指定数据的。提供的接口非常简单。使用起来人性化。所以用的比较多,但是bs4只能解析html格式的数据
首先我们先在小黑窗安装:
pip install bs4
整体使用步骤:
bs4里面有一个类,BeautifulSoup,然后通过这个类将网页html格式字符串生成一个对象,然后通过对象的方法来进行查找指定元素
* (1)将本地html文件转化为对象
soup = BeautifulSoup(open('soup.html', encoding='utf8'), 'lxml')
* lxml :
是一个文件解析库,通过它的解析生成对象,是一个第三方库,需要安装
更上面一样打开小黑窗属于下面代码安装:
pip install lxml
html.parser :
是python自带的一个文件解析库
* eg:
soup = BeautifulSoup(open(‘soup.html’, encoding=‘utf8’), ‘lxml’)
根据标签名查找
soup.a 只能查找得到第一个符合要求的节点,是一个对象,bs4自己封装类的对象
* 获取属性
- soup.a.attrs 获取得到所有属性和值,是一个字典
- soup.a.attrs[‘href’] 获取指定的属性值
- soup.a[‘href’] 简写形式
* 获取文本
- soup.a.string
- soup.a.text
- soup.a.get_text()
[注]如果标签里面还有标签,那么string获取就是空,而后两个获取的是纯文本内容
find_all方法
返回的是一个列表,列表里面都是节点对象
- soup.find_all(‘a’) 找到所有a
- soup.find_all(‘a’, limit=2) 提取符合要求的前两个a
- soup.find_all([‘a’, ‘li’]) 查找得到所有的a和li
- soup.find_all(‘a’, class_=‘xxx’)查找得到所有class是xxx的a
- soup.find_all(‘li’, class_=re.compile(r’^xiao’))
查找所有的class以xiao开头的li标签
select方法
- id选择器 #dudu
- 类选择器 .xixi
- 标签选择器 div a h1
eg :
- div #dudu .xixi a
空格:代表后面的节点是前面节点的子节点或者子孙节点
- div > #dudu > a > .xixi
: 代表后面的节点是前面节点的子节点
返回的是一个列表,列表里面都是符合要求的节点对象
普通对象也能调用select方法,查找的是这个对象下面的内容
- 下面来爬去三国演义小说:
实例1
爬取三国演义小说保存到文件
import urllib.request
from bs4 import BeautifulSoup
import time
def handle_request(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36',
}
request = urllib.request.Request(url,headers=headers)
return request
def parse_content(content,fp):
# 生成soup对象
soup = BeautifulSoup(content,'lxml')
# 查找所有的章节链接和标题内容
oa_list = soup.select('.book-mulu > ul > li > a')
# print(len(oa_list))
# 遍历列表,依次获取每一个链接和内容
for oa in oa_list:
# 获取链接
href = 'http://www.shicimingju.com' + oa['href']
# 获取标题
title = oa.string
print('正在下载--%s--......' % title)
# 获取章节内容函数
text = get_text(href)
# 写入文件
fp.write(title + '\n' + text)
print('结束下载--%s--' % title)
time.sleep(2)
# 提取得到章节内容
def get_text(href):
# 构建请求对象
request = handle_request(href)
content = urllib.request.urlopen(request).read().decode('utf8')
# 生成soup对象
soup = BeautifulSoup(content,'lxml')
# 查找包含内容的div
odiv = soup.find('div',class_='chapter_content')
return odiv.text
def main():
# 打开文件
fp = open('三国演义.txt','w',encoding='utf8')
url = 'http://www.shicimingju.com/book/sanguoyanyi.html'
# 构建请求对象
request = handle_request(url)
# 发送请求,得到响应
content = urllib.request.urlopen(request).read().decode('utf8')
# 解析内容即可
parse_content(content,fp)
fp.close()
if __name__ == '__main__':
main()
实例2
爬取51job求职网 保存到数据库
import urllib.request
from bs4 import BeautifulSoup
import time
import pymysql
def headers_request(url):
headers={
'User-Agent':'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.63 Safari/537.36'
}
request=urllib.request.Request(url,headers=headers)
return request
# 解析内容
def parse_content(content, db):
# 生成soup对象
soup = BeautifulSoup(content,'lxml')
# 先找包含所有工作的div
odivbox = soup.find('div',id='resultList')
# 首先找到包含所有工作的div
odiv_list = odivbox.find_all('div',class_='el')[1:]
# print(len(odiv_list))
for odiv in odiv_list:
# 职位名称
jobname = odiv.select('.t1 > span > a')[0]['title']
# 公司名称
company = odiv.select('.t2 > a')[0]['title']
# 工作地点
area = odiv.select('.t3')[0].string
# 职位月薪
salary = odiv.select('.t4')[0].string
# 发布时间
publish_time = odiv.select('.t5')[0].string
# print(salary, publish_time)
# 保存到字典中
item = {
'职位名称':jobname,
'公司名称':company,
'工作地点':area,
'职位月薪':salary,
'发布时间':publish_time
}
# 保存到文件中
# string = str(item) + '\n'
# fp.write(string)
# 保存到mysql中
save_to_mysql(db,item)
def save_to_mysql(db,item):
# 获取游标
cur = db.cursor()
# 执行sql语句
sql = """insert into work(jobname,company,area,salary,publish_time) values('%s','%s','%s','%s','%s')""" % (item['职位名称'], item['公司名称'], item['工作地点'], item['职位月薪'], item['发布时间'])
# print(sql)
try:
cur.execute(sql)
#提交
db.commit()
except Exception as e:
# print(e)
#错误回滚
db.rollback()
def main():
# fp = open('work.txt','w',encoding='utf8')
# 链接数据库
db = pymysql.connect(host="xxxx",user="xxxx",password="xxxxxx",db="xx",port=xxxx,charset='utf8')
# 用户输入要搜索工作关键字
keyword = input('请输入要搜索的关键字-')
# 用户输入要爬取的起始和结束页码
start_page = int(input('请输入要爬取的起始页码-'))
end_page = int(input('请输入要爬取的结束页码-'))
# 要拼接的起始url
url = 'https://search.51job.com/list/010000,000000,0000,00,9,99,{},2,{}.html'
# 写循环,每一页开始挨着爬取
for page in range(start_page,end_page + 1):
print('正在爬取第%s页......' % page)
# 拼接url
url_page = url.format(keyword,page)
# print(url_page)
# 构建请求对象
request = headers_request(url_page)
# 发送请求,得到响应
content = urllib.request.urlopen(request).read().decode('gbk')
# 解析内容
parse_content(content,db)
print('结束爬取第%s页' % page)
time.sleep(2)
# fp.close()
db.close()
if __name__ == '__main__':
main()