静态网页爬虫①_python

文章目录

处理数据
- 解析数据
- 提取数据
- - find() 方法和 find_all() 方法
  - Tag对象
- CSS选择器
静态网页爬虫的过程

处理数据

前面我们说过了通过 requests 库获取数据,这里我们要说如何处理数据

处理数据我们需要用到一个强大的第三方库——BeautifulSoup !

“美味的汤，绿色的浓汤，在热气腾腾的盖碗里装！谁不愿意尝一尝，这样的好汤？晚餐用的汤，美味的汤！”

BeautifulSoup 库的名字取自刘易斯·卡罗尔在《爱丽丝梦游仙境》里的同名诗歌。就像它在仙境中的说法一样，BeautifulSoup 尝试化平淡为神奇。它通过定位 HTML 标签来格式化和组织复杂的网页源代码，用简单易用的 Python 对象为我们展现出 HTML 结构信息。

处理数据分为两步：

解析数据:将网页源代码解析成 Python 能“读懂”的格式
提取数据：将网页源代码中无关数据过滤掉，只提取出我们所需要的数据

解析数据

我们以豆瓣读书 Top250 为例，它的网址是：https://book.douban.com/top250。

我们来看看如何将其网页源代码解析成 BeautifulSoup 对象：

import requests
from bs4 import BeautifulSoup

headers = {
  'user-agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/76.0.3809.132 Safari/537.36'
}
res = requests.get('https://book.douban.com/top250', headers=headers)
soup = BeautifulSoup(res.text, 'html.parser')

Tips：相比之前我们添加 headers 参数，这是为了应对豆瓣的反爬虫机制。

我们通过 from bs4 import BeautifulSoup 语句导入 BeautifulSoup，然后使用 BeautifulSoup(res.text, 'html.parser') 语句将网页源代码的字符串形式解析成了 BeautifulSoup 对象。

创建 BeautifulSoup 对象时需要传入两个参数，第一个参数是要解析的 HTML 文本，即网站源代码的字符串形式（res.text）。第二个参数是解析HTML 的解析器，html.parser 是 Python 中内置的解析器，较为简单方便.

我们将网页源代码解析成了 BeautifulSoup 对象，如果我们将他打印出来会发现竟然和原来的网页源代码（也就是 res.text）一模一样！既然都一样，我们何苦费这么大力将网页源代码解析成 BeautifulSoup 对象呢？

相比字符串，BeautifulSoup 对象里有很多强大的方法和属性。通过这些方法和属性，我们就能方便快捷地提取出我们所需要的数据。

提取数据

BeautifulSoup 对象里的方法和属性有很多，我们这里只提及其中最常用的一些，这些足以应付大多数场景。

find() 方法和 find_all() 方法

BeautifulSoup 对象里的 find() 和 find_all() 是我们提取数据最常用的两个方法。借助它们，我们可以过滤掉 HTML 页面里的无用数据，轻松地找到我们需要的数据。

我们来看一下 find() 和 find_all() 的作用和区别：

我们可以通过例子来更好地理解他们：
假设我们获取到的网页源代码如下：

<div class="content">
  <a href="https://douban.com">登录/注册a>
  <h1>豆瓣读书 Top 250h1>
  <div class="artile">
    <a href="https://movie.douban.com">豆瓣电影a>
    <div class="item">
      <a href="https://book.douban.com/subject/1770782/">追风筝的人a>
    div>
    <div class="item">
      <a href="https://book.douban.com/subject/25862578/">解忧杂货店a>
    div>
    <div class="item">
      <a href="https://book.douban.com/subject/1084336/">小王子a>
    div>
  div>
div>

soup = BeautifulSoup(res.text, 'html.parser')
print(soup.find('a'))
# 输出：登录/注册
print(soup.find_all('a'))
# 输出：[
# 登录/注册,
# 豆瓣电影,
# 追风筝的人,
# 解忧杂货店,
# 小王子
# ]

它俩的用法基本一样，都是传入 HTML 标签名称，返回符合该 HTML 标签的数据。区别是 find() 方法只返回第一个符合条件的标签，而 find_all() 方法返回所有符合条件的标签列表。他们的返回值分别是 BeautifulSoup 中的 Tag 对象和由 Tag 对象组成的列表。(后面会提到)

除了传入 HTML 标签名称外，这两个方法还支持传入 HTML 属性进行筛选，返回符合条件的数据。举个例子：

# 查找 id='doubanapp-tip' 的 div 标签
soup.find('div', id='doubanapp-tip')
# 查找所有 class='rating_nums' 的 span 标签
soup.find_all('span', class_='rating_nums')

class 和 id 这两个 HTML 属性具有很强的标识性，因此是数据筛选中最常用的两个属性，我们要重点关注。

Tips：因为 class 是 Python 中定义类的关键字，因此用 class_ 表示 HTML 中的 class。

通过 id、class 等 HTML 属性的筛选，我们就可以快速准确的找到我们需要的数据。当一个条件无法精确定位到我们想要的数据时，我们还可以传入多个 HTML 属性进行筛选，返回同时符合这些条件的数据。

我们再来看个例子：

# 查找 id='doubanapp-tip' 且 class='rating_nums' 的 div 标签
soup.find('div', id='doubanapp-tip', class_='rating_nums')

Tag对象

BeautifulSoup 将 HTML 中的元素封装成了 Tag 对象。和 BeautifulSoup 对象一样，Tag 对象里也有 find() 和 find_all() 方法。因此，我们可以不断地调用这两个方法，一层一层地找到我们需要的数据。我们还是以前面的 HTML 代码为例提取其中的书名：

<div class="content">
  <a href="https://douban.com">登录/注册</a>
  <h1>豆瓣读书 Top 250</h1>
  <div class="books">
    <a href="https://movie.douban.com">豆瓣电影</a>
    <div class="item">
      <a href="https://book.douban.com/subject/1770782/">追风筝的人</a>
    </div>
    <div class="item">
      <a href="https://book.douban.com/subject/25862578/">解忧杂货店</a>
    </div>
    <div class="item">
      <a href="https://book.douban.com/subject/1084336/">小王子</a>
    </div>
  </div>
</div>

我们可以看到，书名在 a 标签中。但如果直接使用 soup.find_all(‘a’) 的话，第二行的“登录/注册”和第五行的“豆瓣电影”也会被获取到，因此我们需要将这些无效数据过滤掉。

我们分析一下不难发现，书名在 class=“item” 的 div 标签里的 a 标签内。我们只要先找到所有 class=“item” 的 div 标签，然后再找到其中的 a 标签即可，因此我们可以像下面这样来获取书名的数据：

# 找到所有 class_='item' 的 div 标签
items = soup.find_all('div', class_='item')
for i in items:
  # 找到 class_='item' 的 div 标签中的 a 标签
  print(i.find('a'))
# 输出：
# 追风筝的人
# 解忧杂货店
# 小王子

这样，我们就找到了所有书名的数据。此时返回的还是 Tag 对象。如果我们只想要书名和对应的链接呢？这就用到了 Tag 对象的 text 属性和 HTML 属性名取值。

items = soup.find_all('div', class_='item')
for i in items:
  tag = i.find('a')
  # 获取 text 属性
  name = tag.text
  # 获取 href 属性值
  link = tag['href']
  print(name, link)
# 输出：
# 追风筝的人 https://book.douban.com/subject/1770782/
# 解忧杂货店 https://book.douban.com/subject/25862578/
# 小王子 https://book.douban.com/subject/1084336/

我们通过 Tag 对象的 text 属性拿到了 a 标签里的文字内容，即追风筝的人等。然后我们通过和字典取值一样的方式，将 HTML 属性名作为键，得到了对应属性的值。这里是以 href 属性为例，其他的 HTML 属性也同样可以。

我们来总结一下 Tag 对象的常用属性和方法：

CSS选择器

有没有什么方法可以直接就找到我们需要的数据，而不用多次查找吗？

答案是肯定的，需要用到 CSS 选择器。

在 CSS 选择器中，# 代表 id，. 代表 class。比如：#login 表示 id=‘login’ 的所有元素，.item 表示 class=‘item’ 的所有元素。

我们也可以直接通过标签名选择对应的元素，比如：a 表示所有的 a 元素，p 表示所有的 p 元素。

它们也可以组合在一起，选择同时符合条件的元素，比如：a#login 表示所有 id=‘login’ 的 a 元素，p.item 表示所有 class=‘item’ 的 p 元素，#login.item 表示所有 id=‘login’ 且 class=‘item’ 的元素，.item.book 表示所有 class 同时为 item 和 book 的元素。

需要注意的是，选择同时符合条件的元素，选择器之间不能有空格，如果写成 .item .book 就是另一个意思了。这是新的知识点——子元素选择。

当两个选择器之间加了空格，表示子元素选择。还是以 .item .book 为例，它表示选择所有 class=‘item’ 的元素里面 class=‘book’ 的元素，即嵌套在 class=‘item’ 的元素里面 class=‘book’ 的元素。

这个嵌套可以是任意层级的，只要在里面就行，不要求直接嵌套在第一层。如果只需要直接嵌套在第一层符合条件的元素，可以用 > 分隔。比如：.item > .book。

来看个例子感受一下它们的区别：

from bs4 import BeautifulSoup

html = '''

  小王子
  
    追风筝的人
  
'''

soup = BeautifulSoup(html, 'html.parser')

print(soup.select('.item.book'))
# 输出：[]

print(soup.select('.item .book'))
# 输出：[小王子
, 追风筝的人
]

print(soup.select('.item > .book'))
# 输出：[小王子
]

了解了 CSS 选择器的基本语法后，我们来看看如何在 BeautifulSoup 中使用。

BeautifulSoup 对象有一个 select() 方法，我们将 CSS 选择器传进去即可直接找到我们需要的元素。上面查找在 class=“item” 的 div 标签里的 a 标签的代码就可以这样写：

items = soup.select('div.item a')
for i in items:
  name = i.text
  link = i['href']
  print(name, link)
# 输出：
# 追风筝的人 https://book.douban.com/subject/1770782/
# 解忧杂货店 https://book.douban.com/subject/25862578/
# 小王子 https://book.douban.com/subject/1084336/

静态网页爬虫的过程

对于静态网页爬虫的过程，可以总结成下图：

我们现在对豆瓣top250中的前25个电影的名字以及名字进行爬取：

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/101.0.4951.41 Safari/537.36 Edg/101.0.1210.32'
}

#首先对网页发出请求并获得响应
req = requests.get('https://movie.douban.com/top250',headers = headers)
#将网页的源代码形式解析
soup = BeautifulSoup(req.text,'html.parser')

#进行元素的第一次提取
result1 = soup.select('.item .pic')

num = 0
for i in result1:
    num += 1
    name = i.select('a img')[0]['alt']
    link = i.select('a')[0]['href']
    print(num,' ',name,link)

结果：

欢迎分享，转载请注明来源：内存溢出

原文地址: http://outofmemory.cn/langs/916116.html

静态网页爬虫①

发表评论

评论列表（0条）