1、import
import urllib
import urllib.request
import tkinter as tk
from http import cookiejar
from bs4 import BeautifulSoup
import time
import requests
2、构造headers
headers = {'User-Agent':"Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; Acoobrower; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
'Accept':'text/html,application/xhtml+xml,application/xml; q=0.9,image/webp,*/*;q=0.8',
'Accept-Encoding':'gzip,deflate,sdch',
'Accept-Language':'zh-CN,zh;q=0.8',
'Connection':'keep-alive',
}
3、session
session = requests.session()
4、爬取网页内容及分析网页内容
page=self.session.get(url, headers= headers)
soup = BeautifulSoup(page.text,"lxml")
list = soup.select('%s' % 分析关键词)
5、soup.select的关键词汇总
(1)通过标签名查找
soup.select('title')
soup.select('a')
...
(2)通过类名查找
soup.select('.sister')
soup.select('.input')
(3)通过 id 名查找
soup.select('#link1')
soup.select('#id')
(4)组合查找
组合查找即和写 class 文件时,标签名与类名、id名进行的组合原理是一样的,例如查找 p 标签中,id 等于 link1的内容,二者需要用空格分开
soup.select('p #link1')
soup.select("head > title")
(5)属性查找
查找时还可以加入属性元素,属性需要用中括号括起来,注意属性和标签属于同一节点,所以中间不能加空格,否则会无法匹配到。
soup.select('a[href="http://example.com/elsie"]')
不在同一节点的空格隔开,同一节点的不加空格
6、post方法
session.post(url,data=list,headers=headers)
soup.select('p a[href="http://example.com/elsie"]')