python爬虫小案例——汽车之家

本篇文章是使用bs4中的BeautifulSoup和requests解析网页和获取数据👑🌟

---

🌟前言

为了更深入的学习爬虫，今天来了解下bs4的使用和实践，当然解析网页不止只有bs4的BeautifulSoup可以做到，还有xpath语法和正则表达式。本期是初步的了解BeautifulSoup模块的使用，欢迎初学者学习本期内容。

---

一、🍉bs4中的BeautifulSoup

BeautifulSoup库是Python编程语言中的一款第三方库，主要用于解析HTML和XML文档。这个库能够将复杂的HTML或XML数据转换为树形结构（即DOM树），让开发者能够以更简单的方式来遍历、搜索和操作这些结构化的数据。

bs4的四种解析方式：

解析器	使用方法	优势	劣势
python标准库	soup = BeautifulSoup(htmlt, ‘html.parser’)	python内置标准库;执行速度适中	python2.x或者python3.2x前的版本中文文档容错能力差
lxml HTML解析器	soup = BeautifulSoup(html, ‘lxml’)	速度快；文档容错能力强	需要安装c语言库
lxml XML解析器	soup = BeautifulSoup(html, ‘xml’)	速度快；唯一支持XML的解析器	需要安装c语言库
html5lib	soup = BeautifulSoup(html, ‘html5lib’)	最好的容错性；以浏览器的方式解析文档；生成HTML5格式的文档；不依赖外部扩展库	速度慢

二、🍉bs4的语法

1. 获取全部的单个标签：

soup.find_all('标签')

2. 获取拥有指定属性的标签：

soup.find_all('标签'，属性的键值对)
soup.find_all('标签'，attrs={键值对1，键值对2})

注意：attrs是存储的是字典，里面可以包含html的多个属性

3. 获取多个指定属性的标签：

soup.find_all('标签'，属性的键值对1，属性的键值对2)

如果在获取时，出现python关键字与属性冲突时，在获取的时候添加一个下划线 ' _ ' ，例如：

soup.find_all('div'，class_='position')

4. 获取标签属性值：

先锁定标签

alist=soup.find_all('a')

• 方法1:
  通过下标方式提取

for a in alist:
    href=a['href']
    print(href)

• 方法2：
  利用attrs参数提取

for a in alist:
	href=a.attrs['href']
	print(href)

5. 获取标签内的文本信息:
   使用string方法

# 获取html的所有div标签，从第二个开始
divs=soup.find_all('div')[1:]
# 利用循环输出每个标签
for div in divs:
    # 只提取标签下的字符串
    a=div.find_all('a')[0].string
    
# 提取整个div下的字符串
divs=soup.find_all('div')[1:]
for div in divs:
    infos=list(div.stripped_strings)  # stripped_strings方法是删除列表中的制表符，例如: "\n,\t"等

三、🍉内容实践

爬取的网页链接：https://www.autohome.com.cn/news/1/#liststart

1. 确定想要爬取的内容

在此以爬取：前五页的（标题、更新时间和页面部分显示的详细内容）

2. 分析网页

首页内容，这里要注意的是这个网页链接，可以从第一页到第三页的链接对比

仔细查看后，只有这个/news/后的数字发生了变化，所以我们只要做一个循环数字的方式更改内容就可以

https://www.autohome.com.cn/news/1/#liststart
https://www.autohome.com.cn/news/2/#liststart
https://www.autohome.com.cn/news/3/#liststart

内容实施：

urls = []         # 定义一个列表存放每页的链接
for i in range(1, 6):
    url = f"https://www.autohome.com.cn/news/{i}/#liststart"
    urls.append(url)
# print(urls)

3. 获取数据分析

1. 观察html标签内容

2. 获取网页的标签信息，发现这些标签都在div标签中的ul标签里面

3. 对比标签，发现每个内容都是使用的相同标签

4. 代码

# 导包
from bs4 import BeautifulSoup
import requests

# 设置请求头
url = 'https://www.autohome.com.cn/news/'
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/123.0.0.0 Safari/537.36 Edg/123.0.0.0"
}

# 利用循环读取前5分页
urls = []         # 定义一个列表存放每页的链接
for i in range(1, 6):
    url = f"https://www.autohome.com.cn/news/{i}/#liststart"
    urls.append(url)
# print(urls)

# 定义两个列表 news存放字典数据
news = []

for url in urls:
    # 利用try……except语句获取每页，如果某页读取不了，则继续读取下一页
    try:
        response = requests.get(url, headers=headers)
        content = response.content.decode('gbk')  # 在网页上查看编码格式
        # print(content)

        # 实例化BeautifulSoup对象
        soup = BeautifulSoup(content, 'html.parser')
        # print(soup)

        # divs=soup.find_all('div',class_="article-pic")
        uls = soup.find_all('ul', class_="article")
        for ul in uls:
            # 获取标题
            title = list(ul.find_all('h3'))
            # 获取更新日期
            times = list(ul.find_all('span', class_="fn-left"))
            # 获取内容
            profiles = list(ul.find_all('p'))

            # print(times,title,profiles)

            # 提取标签内的字符串和使用zip打包在一起
            for title, times, profiles in zip(title, times, profiles):
                title = title.string
                times = times.string
                profiles = profiles.string
                # 将数据存放在字典中
                car_news = {
                    "title": title,
                    "times": times,
                    "profiles": profiles,
                }
                news.append(car_news)

    except:
        continue

print(news)

5. 输出结果

🌟总结

这里需要注意的是使用bs4语句获取的标签内容是bs4的类型，不是列表类型，所以使用了强制转换成列表【list()】.

拓展：
在Python爬虫中，即使代码看起来没有明显语法错误，爬取的数据仍然可能为空，这通常与以下因素有关：

1. 目标网站结构改变：
   如果爬虫是基于HTML结构编写的，而目标网站进行了改版或更新，原有的选择器（如XPath或CSS Selector）可能不再有效，导致找不到预期的数据。
2. 动态加载内容：
   网页上的数据可能是通过JavaScript动态加载的，直接爬取HTML源代码可能无法获取这些数据。此时需要分析网页加载逻辑，使用如Selenium、Pyppeteer等工具模拟浏览器行为，或者通过分析Ajax请求来间接获取数据。
3. 反爬策略：
   目标网站可能启用了反爬虫策略，比如Cookies验证、User-Agent限制、IP封锁、验证码、登录验证等。这时，需要针对这些策略进行相应的处理，比如设置更真实的User-Agent、使用代理IP池、处理验证码或模拟登录。
4. 请求参数不正确：
   请求头信息（headers）、cookies、POST数据等参数可能需要特殊配置才能获取数据，如果缺少必要参数或参数不正确，服务器可能不会返回有效数据。
5. 网络问题：
   即使代码看似没问题，网络连接不稳定或服务器端出现问题也可能导致无法获取数据。
6. 解析逻辑错误：
   数据解析环节可能出现问题，例如正则表达式匹配不正确，或者在解析HTML或JSON时引用了不存在的键或属性。
7. API调用权限或频率限制：
   若爬取的是API接口，可能存在调用频率限制、API密钥失效或没有必要的授权。
8. 数据缓存问题：
   如果爬虫有缓存机制并且缓存了错误的结果，新的爬取可能会直接读取缓存而非从服务器获取新数据。

要解决这个问题，可以从以下几个步骤入手：

• 检查并确认请求网址是否正确且能够正常访问；
• 使用开发者工具查看网页加载过程，确认数据是如何加载和呈现的；
• 检查请求头和请求体是否符合目标网站的要求；
• 检查解析代码逻辑，特别是提取数据的部分；
• 检测网络状况以及是否有反爬措施，调整爬虫策略；
• 对于动态加载内容，确保相应脚本能够正确执行或模拟；
• 针对可能出现的API限制，合理安排请求间隔，遵循网站的使用协议。