Python简单爬虫【入门必学】

 

简单抓取网页的代码

 

import requests#导入requests包
from bs4 import BeautifulSoup#从bs4中导入BeauifulSoup包
import re#导入正则表达式的包

r = requests.get("http://baidu.com")
r.encoding = 'utf-8'#就没有进行其他异常判断了，做个简单的HTML网页的爬虫
soup = BeautifulSoup(r.text)
type(soup)#查看当前soup对象的类型
r.head#此后就可以抓取rr对象的属性了，比如head，title,body等

另外很多人在学习Python的过程中，往往因为没有好的教程或者没人指导从而导致自己容易放弃，为此我建了个Python交流.裙 ：一久武其而而流一思（数字的谐音）转换下可以找到了，里面有最新Python教程项目可拿,不懂的问题多跟里面的人交流，都会解决哦！

如果要抓取本地的静态网页的代码的话，我曾经抓取不成功，但是我想了其他的办法，还是使用上述代码，只不过url地址换成了本地的文件地址了而已，需要注意的是，我是在IDEA里面编写并且运行我的HTML代码的，并且通过IDEA生成了一个本地局域网的端口，复制它的路径，再导入url中，即可抓取本地静态HTML代码，如果我把这个浏览器或则IDEA关了的话，则python抓取的时候则会报错。

下面是爬虫爬取大学排名的代码：

 

import requests
from bs4 import BeautifulSoup
allUniv = []#建立一个二维列表，存储所有表格信息
def getHTMLText(url):#获取传入的地址
    try:#进行异常的处理
        r = requests.get(url,timeout = 30)#参数1：某网页的url地址，参数2：设定每次请求超时时间为n秒
        r.raise_for_status()#如果次参数不是200，则产生异常，进入异常处理语句，否则程序继续往下走
        r.encoding = 'utf-8'#将获取的内容转码，使中文能够正常显示而不会产生乱码
        return r.text#HTTP相应内容的字符串形式，即url对应的页面内容
    except:
        return ""
def fillUnivList(soup):
    data = soup.find_all('tr')#通过soup对象的find_all属性找到抓取的网页中的所有tr标签
    for tr in data:
        ltd = tr.fin