python爬虫系列（2）—— requests和BeautifulSoup | 好好学java | Spring Boot | Spring Cloud | 微服务 | Java技术 | Java面试 | 分布式

python,python基础,python学习

python基础

发布日期: 2021-04-05

作者: 欧阳思海

文章字数: 1.5k

阅读时长: 6 分

阅读次数:

本人花费半年的时间总结的《Java面试指南》已拿腾讯等大厂offer，已开源在github ，欢迎star！

本文GitHub https://github.com/OUYANGSIHAI/JavaInterview 已收录，这是我花了6个月总结的一线大厂Java面试总结，本人已拿大厂offer，欢迎star

原文链接：blog.ouyangsihai.cn >> python爬虫系列（2）—— requests和BeautifulSoup

点击上方”python宝典”,关注获取python全套视频，

技术文章第一时间送达!

本文主要介绍python爬虫的两大利器：requests和BeautifulSoup库的基本用法。

1. 安装requests和BeautifulSoup库

可以通过3种方式安装：


easy_install
pip
下载源码手动安装

这里只介绍pip安装方式：


pip install requests
pip install BeautifulSoup4

2. requests基本用法示例


# coding:utf-8
import requests

# 下载新浪新闻首页的内容
url = 'http://news.sina.com.cn/china/'
# 用get函数发送GET请求，获取响应
res = requests.get(url)
# 设置响应的编码格式utf-8（默认格式为ISO-8859-1），防止中文出现乱码
res.encoding = 'utf-8'

print type(res)
print res
print res.text

输出：


class 'requests.models.Response'
Response [200]
!DOCTYPE html
!-- [ published at 2017-04-19 23:30:28 ] --
html
head
meta http-equiv="Content-type" content="text/html; charset=utf-8" /
title国内新闻_新闻中心_新浪网/title
meta name="keywords" content="国内时政,内地新闻"

下面将上面获取到的网页html内容写入到文件中，这里有一点需要注意的是：python是调用ASCII编码解码程序去处理字符流的，当字符不属于ASCII范围时会抛异常（ordinal not in range(128)），所以要提前设置程序的默认编码：


import sys
reload(sys)
sys.setdefaultencoding('utf-8')

然后再将响应的html内容存入文件中：


with open('content.txt','w+') as f:
    f.write(res.text)

3. BeautifulSoup基本用法

1. 自定义测试html


html = '''
html
    body
        h1 id="title"Hello World/h1
        a href="#link1" class="link"This is link1/a
        a href="#link2" class="link"This is link2/a
    /body
/html
'''

2. 从html文本中获取soup


from bs4 import BeautifulSoup
# 这里指定解析器为html.parser（python默认的解析器），指定html文档编码为utf-8
soup = BeautifulSoup(html,'html.parser',from_encoding='utf-8')
print type(soup)

#输出：class 'bs4.BeautifulSoup'

3. soup.select()函数用法

(1) 获取指定标签的内容


header = soup.select('h1')
print type(header)
print header
print header[0]
print type(header[0])
print header[0].text

# 输出：
'''
type 'list'
[h1 id="title"Hello World/h1]
h1 id="title"Hello World/h1
class 'bs4.element.Tag'
Hello World
'''
alinks = soup.select('a')
print [x.text for x in alinks]

# 输出：[u'This is link1', u'This is link2']

(2) 获取指定id的标签的内容（用’#’）


title = soup.select('#title')
print type(title)
print title[0].text

# 输出：
'''
type 'list'
Hello World
'''

(3) 获取指定class的标签的内容（用’.’）


alinks = soup.select('.link')
print [x.text for x in alinks]

# 输出：[u'This is link1', u'This is link2']

(4) 获取a标签的链接（href属性值）


print alinks[0]['href']

# 输出：#link1

(5) 获取一个标签下的所有子标签的text


body = soup.select('body')[0]
print body.text

# 输出：
'''

Hello World
This is link1
This is link2
'''

(6) 获取不存在的标签


aa = soup.select('aa')
print aa

# 输出：[]

(7) 获取自定义属性值


html2 = 'a href="www.test.com" qoo="123" abc="456"This is a link./a'
soup2 = BeautifulSoup(html2,'html.parser')
alink = soup2.select('a')[0]
print alink['qoo']
print alink['abc']

# 输出：
'''
123
456
'''

4. soup.find()和soup.find_all()函数用法

(1) find()和find_all()函数原型：

find和find_all函数都可根据多个条件从html文本中查找标签对象，只不过find的返回对象类型为bs4.element.Tag，为查找到的第一个满足条件的Tag；而find_all的返回对象为bs4.element.ResultSet（实际上就是Tag列表）,这里主要介绍find函数，find_all函数类似。


find(name=None, attrs={}, recursive=True, text=None, **kwargs)
注：其中name、attrs、text的值都支持正则匹配。

find_all(name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)
注：其中name、attrs、text的值都支持正则匹配。

(2) find函数的用法示例


html = 'pa href="www.test.com" class="mylink1 mylink2"this is my link/a/p'
soup = BeautifulSoup(html,'html.parser')
a1 = soup.find('a')
print type(a1)
# 输出：class 'bs4.element.Tag'

print a1.name
print a1['href']
print a1['class']
print a1.text
# 输出：
'''
a
www.test.com
[u'mylink1', u'mylink2']
this is my link
'''
# 多个条件的正则匹配：
import re
a2 = soup.find(name = re.compile(r'w+'),class_ = re.compile(r'mylinkd+'),text = re.compile(r'^this.+link$'))
# 注：这里的class属性之所以写成'class_'，是为了防止和python关键字class混淆，其他属性名写正常的名就行，不用这样特殊处理
print a2

# 输出：
'''
a class="mylink1 mylink2" href="www.test.com"this is my link/a
'''
# find函数的链式调用
a3 = soup.find('p').find('a')
print a3

# 输出：
'''
a class="mylink1 mylink2" href="www.test.com"this is my link/a
'''
# attrs参数的用法
# 注：支持正则匹配属性值（包括自定义属性）
import re
html = 'div class="myclass" my-attr="123abc"/divdiv class="myclass" my-attr="abc"'
soup = BeautifulSoup(html,'html.parser')
div = soup.find('div',attrs = {'class':'myclass','my-attr':re.compile(r'd+w+')})
print div

# 输出：
'''
div class="myclass" my-attr="123abc"/div
'''

4. 网络爬虫基本架构

5. 补充

1. 代理访问

有时候为了避免封IP，或者在某些公司内网访问外网时候，需要用到代理服务器发送请求，代理的用法示例：


import requests
proxies = {'http':'http://proxy.test.com:8080','https':'http://proxy.test.com:8080'}  # 其中proxy.test.com即为代理服务器的地址
url = 'https://www.baidu.com'  # 这个url为要访问的url
resp = requests.get(url,proxies = proxies)
如果代理服务器需要账号、密码，则可以这样写proxies：

proxies = {'http':'http://{username}:{password}@proxy.test.com:8080','https':'http://{username}:{password}@proxy.test.com:8080'}

2. 向https的url发送请求

有时候向https的url发送请求会报错：ImportError:no module named certifi.

解决方法：在发送请求时关闭校验：verify = False，如：


resp = requests.get('https://test.com',verify = False)
注：也可通过在headers中传相关鉴权参数来解决此问题。

3. httpbin.org

httpbin.org是requests库的作者开发的一个网站，可以专门用来测试requests库的各种功能，其页面如下：

但httpbin.org的服务器在国外，访问速度比较慢。所以需要在本地搭建一个该网站的镜像，方法如下：

前提：安装好requests库，才能基于该网站测试requests库的功能。


pip install gunicorn httpbin
gunicorn httpbin:app

浏览器输入：127.0.0.1:8000,即可访问。
注：以上步骤在windows下会报错：缺少模块pwd.fcanl，在linux下没问题。

4. requests库官方文档

http://docs.python-requests.org/en/master/

原文链接：
https://www.cnblogs.com/jiayongji/p/7118939.html

-END-

识别图中二维码,欢迎关注python宝典

本人花费半年的时间总结的《Java面试指南》已拿腾讯等大厂offer，已开源在github ，欢迎star！

本文GitHub https://github.com/OUYANGSIHAI/JavaInterview 已收录，这是我花了6个月总结的一线大厂Java面试总结，本人已拿大厂offer，欢迎star

原文链接：blog.ouyangsihai.cn >> python爬虫系列（2）—— requests和BeautifulSoup