Python社区  »  python开源

Python爬虫零基础入门(系列)

果金Python • 1 月前 • 111 次点击  

一、前言 上一篇演示了如何使用requests模块向网站发送http请求,获取到网页的HTML数据。这篇来演示如何使用BeautifulSoup模块来从HTML文本中提取我们想要的数据。

update on 2016-12-28:之前忘记给BeautifulSoup的官网了,今天补上,顺便再补点BeautifulSoup的用法。

update on 2017-08-16:很多网友留言说Unsplash网站改版了,很多内容是动态加载的。所以建议动态加载的内容使用PhantomJS而不是Request库进行请求,如果使用PhantomJS请看我的下一篇博客,如果是定位html文档使用的class等名字更改的话,建议大家根据更改后的内容进行定位,学爬虫重要的是爬取数据的逻辑,逻辑掌握了网站怎么变都不重要啦。

二、运行环境 我的运行环境如下:

系统版本 Windows10。

Python版本 Python3.5,推荐使用Anaconda 这个科学计算版本,主要是因为它自带一个包管理工具,可以解决有些包安装错误的问题。去官网,选择Python3.5版本,然后下载安装。

IDE 我使用的是PyCharm,是专门为Python开发的IDE。这是JetBrians的产品。

三、模块安装 BeautifulSoup 有多个版本,我们使用BeautifulSoup4。详细使用看官方文档。 使用管理员权限打开cmd命令窗口,在窗口中输入下面的命令即可安装: conda install beautifulsoup4Python入门到精通学习教程请加219再加上539然后519内有大量学习教程,欢迎大家加入

直接使用Python3.5 没有使用Anaconda版本的童鞋使用下面命令安装: pip install beautifulsoup4

然后我们安装lxml,这是一个解析器,BeautifulSoup可以使用它来解析HTML,然后提取内容。

Anaconda 使用下面命令安装lxml: conda install lxml

使用Python3.5 的童鞋们直接使用pip安装会报错(所以才推荐使用Anaconda版本),安装教程看这里。

如果不安装lxml,则BeautifulSoup会使用Python内置的解析器对文档进行解析。之所以使用lxml,是因为它速度快。

文档解析器对照表如下:

解析器 使用方法 优势 劣势 Python标准库 BeautifulSoup(markup,"html.parser") 1. Python的内置标准库 2. 执行速度适 3. 中文档容错能力强 Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差 lxml HTML 解析器 BeautifulSoup(markup,"lxml") 1. 速度快 2. 文档容错能力强 需要安装C语言库 lxml XML 解析器 BeautifulSoup(markup,["lxml-xml"])  BeautifulSoup(markup,"xml") 1. 速度快 2. 唯一支持XML的解析器 需要安装C语言库 html5lib BeautifulSoup(markup,"html5lib") 1. 最好的容错性 2. 以浏览器的方式解析文档 3. 生成HTML5格式的文档 速度慢,不依赖外部扩展 四、BeautifulSoup 库的使用 网上找到的几个官方文档,不同版本的用法差不多,几个常用的语法都一样。

首先来看BeautifulSoup的对象种类,在使用的过程中就会了解你获取到的东西接下来应该如何操作。

4.1 BeautifulSoup对象的类型 Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象。所有对象可以归纳为4种类型: Tag , NavigableString , BeautifulSoup , Comment 。下面我们分别看看这四种类型都是什么东西。

4.1.1 Tag 这个就跟HTML或者XML(还能解析XML?是的,能!)中的标签是一样一样的。我们使用find()方法返回的类型就是这个(插一句:使用find-all()返回的是多个该对象的集合,是可以用for循环遍历的。)。返回标签之后,还可以对提取标签中的信息。

提取标签的名字:

tag.name

提取标签的属性:

tag['attribute'] 我们用一个例子来了解这个类型:

from bs4 import BeautifulSoup

html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """ soup = BeautifulSoup(html_doc, 'lxml') #声明BeautifulSoup对象 find = soup.find('p') #使用find方法查到第一个p标签 print("find's return type is ", type(find)) #输出返回值类型 print("find's content is", find) #输出find获取的值 print("find's Tag Name is ", find.name) #输出标签的名字 print("find's Attribute(class) is ", find['class']) #输出标签的class属性值 4.1.2 NavigableString NavigableString就是标签中的文本内容(不包含标签)。获取方式如下: tag.string 还是以上面那个例子,加上下面这行,然后执行: print('NavigableString is:', find.string)

4.1.3 BeautifulSoup BeautifulSoup对象表示一个文档的全部内容。支持遍历文档树和搜索文档树。

4.1.4 Comment 这个对象其实就是HTML和XML中的注释。

markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>" soup = BeautifulSoup(markup) comment = soup.b.string type(comment)

<class 'bs4.element.Comment'>

有些时候,我们并不想获取HTML中的注释内容,所以用这个类型来判断是否是注释。

if type(SomeString) == bs4.element.Comment: print('该字符是注释') else: print('该字符不是注释') 4.2 BeautifulSoup遍历方法 4.2.1 节点和标签名 可以使用子节点、父节点、 及标签名的方式遍历:

soup.head #查找head标签 soup.p #查找第一个p标签

对标签的直接子节点进行循环

for child in title_tag.children: print(child)

soup.parent #父节点

所有父节点

for parent in link.parents: if parent is None: print(parent) else: print(parent.name)

兄弟节点

sibling_soup.b.next_sibling #后面的兄弟节点 sibling_soup.c.previous_sibling #前面的兄弟节点

所有兄弟节点

for sibling in soup.a.next_siblings: print(repr(sibling))

for sibling in soup.find(id="link3").previous_siblings: print(repr(sibling)) 4.2.2 搜索文档树 最常用的当然是find()和find_all()啦,当然还有其他的。比如find_parent() 和 find_parents()、 find_next_sibling() 和 find_next_siblings() 、find_all_next() 和 find_next()、find_all_previous() 和 find_previous() 等等。 我们就看几个常用的,其余的如果用到就去看官方文档哦。

find_all() 搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件。返回值类型是bs4.element.ResultSet。 完整的语法: find_all( name , attrs , recursive , string , **kwargs ) 这里有几个例子 soup.find_all("title")

[<title>The Dormouse's story</title>]

soup.find_all("p", "title")

[<p class="title"><b>The Dormouse's story</b></p>]

soup.find_all("a")

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,

<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,

<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

soup.find_all(id="link2")

[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

import re soup.find(string=re.compile("sisters"))

u'Once upon a time there were three little sisters; and their names were\n'

name 参数:可以查找所有名字为 name 的tag。 attr 参数:就是tag里的属性。 string 参数:搜索文档中字符串的内容。 recursive 参数: 调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点。如果只想搜索tag的直接子节点,可以使用参数 recursive=False 。

find() 与find_all()类似,只不过只返回找到的第一个值。返回值类型是bs4.element.Tag。 完整语法: find( name , attrs , recursive , string , **kwargs ) 看例子: soup.find('title')

<title>The Dormouse's story</title>

soup.find("head").find("title")

<title>The Dormouse's story</title>

基本功已经练完,开始实战!

五、继续上一篇实例 继续上一篇的网站Unsplash,我们在首页选中图片,查看html代码。发现所有的图片都在a标签里,并且class都是cV68d,如下图。

通过仔细观察,发现图片的链接在style中的background-image中有个url。这个url就包含了图片的地址,url后面跟了一堆参数,可以看到其中有&w=XXX&h=XXX,这个是宽度和高度参数。我们把高度和宽度的参数去掉,就能获取到大图。下面,我们先获取到所有的含有图片的a标签,然后在循环获取a标签中的style内容。

其实在图片的右下方有一个下载按钮,按钮的标签中有一个下载链接,但是该链接并不能直接请求到图片,需要跳转几次,通过获取表头里的Location才能获取到真正的图片地址。后续我再以这个角度获取图片写一篇博文,咱们现根据能直接获取到的url稍做处理来获取图片。小伙伴儿们也可能会发现其他的方式来获取图片的url,都是可以的,尽情的尝试吧!

import requests #导入requests 模块 from bs4 import BeautifulSoup #导入BeautifulSoup 模块

headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/54.0.2840.99 Safari/537.36'} #给请求指定一个请求头来模拟chrome浏览器 web_url = 'https://unsplash.com'r = requests.get(web_url, headers=headers) #像目标url地址发送get请求,返回一个response对象 all_a = BeautifulSoup(r.text, 'lxml').find_all('a', class_='cV68d') #获取网页中的class为cV68d的所有a标签 for a in all_a: print(a['style']) #循环获取a标签中的style 这里的find_all('a', class_='cV68d') 是找到所有class为cV68d的a标签,返回的是一个list,所以可以用for循环获取每个a标签。 还有,get请求使用了headers参数,这个是用来模拟浏览器的。如何知道‘User-Agent’是什么呢? 在你的Chrome浏览器中,按F12,然后刷新网页,看下图就可以找到啦。

OK,我们来执行以下上面的代码,结果如下:

接下来的任务是在一行的文本中取到图片的url。仔细看每一行的字符串,两个双引号之间的内容就是图片的url了,所以我们Python的切片功能来截取这中间的内容。

改写for循环中的内容:

for a in all_a: img_str = a['style'] #a标签中完整的style字符串 print(img_str[img_str.index('"')+1 : img_str.index('"',img_str[img_str.index('"')+1)]) #使用Python的切片功能截取双引号之间的内容 获取到url后还要把宽度和高度的参数去掉。

    for a in all_a:
        img_str = a['style'] #a标签中完整的style字符串
        print('a标签的style内容是:', img_str)
        first_pos = img_str.index('"') + 1
        second_pos = img_str.index('"',first_pos)
        img_url = img_str[first_pos: second_pos] #使用Python的切片功能截取双引号之间的内容
        width_pos = img_url.index('&w


    
=')
        height_pos = img_url.index('&q=')
        width_height_str = img_url[width_pos : height_pos]
        print('高度和宽度数据字符串是:', width_height_str)
        img_url_final = img_url.replace(width_height_str, '')
        print('截取后的图片的url是:', img_url_final)

有了这些图片的url,就可以通过继续发请求的方式获取图片啦。接下来我们先来封装一下发请求的代码。 先创建一个类:

class BeautifulPicture(): def init(self): #类的初始化操作 self.headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'} #给请求指定一个请求头来模拟chrome浏览器 self.web_url = 'https://unsplash.com' #要访问的网页地址 self.folder_path = 'D:\BeautifulPicture' #设置图片要存放的文件目录 然后封装request请求:

def request(self, url):  #返回网页的response
    r = requests.get(url)  # 像目标url地址发送get请求,返回一个response对象
    return r

我们在文件目录下保存图片的话,要先创建文件目录。所以再添加一个创建目录的方法: 要先引入os库哦。 import os 然后是方法定义:

def mkdir(self, path):  ##这个函数创建文件夹
    path = path.strip()
    isExists = os.path.exists(path)
    if not isExists:
        print('创建名字叫做', path, '的文件夹')
        os.makedirs(path)
        print('创建成功!')
    else:
        print(path, '文件夹已经存在了,不再创建')

再然后是保存图片啦。

def save_img(self, url, name): ##保存图片
    print('开始保存图片...')
    img = self.request(url)
    time.sleep(5)
    file_name = name + '.jpg'
    print('开始保存文件')
    f = open(file_name, 'ab')
    f.write(img.content)
    print(file_name,'文件保存成功!')
    f.close()

工具方法都已经准备完毕,开始我们的逻辑部分:

def get_pic(self):
    print('开始网页get请求')
    r = self.request(self.web_url)
    print('开始获取所有a标签')
    all_a = BeautifulSoup(r.text, 'lxml').find_all('a', class_='cV68d')  #获取网页中的classcV68d的所有a标签
    print('开始创建文件夹')
    self.mkdir(self.folder_path)  #创建文件夹
    print('开始切换文件夹')
    os.chdir(self.folder_path)   #切换路径至上面创建的文件夹
    i = 1 #后面用来给图片命名
    for a in all_a:
        img_str = a['style'] #a标签中完整的style字符串
        print('a标签的style内容是:', img_str)
        first_pos = img_str.index('"') + 1
        second_pos = img_str.index('"',first_pos)
        img_url = img_str[first_pos: second_pos] #使用Python的切片功能截取双引号之间的内容
        width_pos = img_url.index('&w=')
        height_pos = img_url.index('&q=')
        width_height_str = img_url[width_pos : height_pos]
        print('高度和宽度数据字符串是:', width_height_str)
        img_url_final = img_url.replace(width_height_str, '')
        print('截取后的图片的url是:', img_url_final)
        self.save_img(img_url_final, str(i))
        i += 1

最后就是执行啦:

beauty = BeautifulPicture() #创建一个类的实例 beauty.get_pic() #执行类中的方法 最后来一个完整的代码,对中间的一些部分进行了封装和改动,并添加了每部分的注释,一看就明白了。有哪块有疑惑的可以留言~~

import requests #导入requests 模块 from bs4 import BeautifulSoup #导入BeautifulSoup 模块 import os #导入os模块

class BeautifulPicture():

def __init__(self):  #类的初始化操作
    self.headers = {'User-Agent': 'Mozilla/5.0


    
 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1'}  #给请求指定一个请求头来模拟chrome浏览器
    self.web_url = 'https://unsplash.com'  #要访问的网页地址
    self.folder_path = 'D:\BeautifulPicture'  #设置图片要存放的文件目录

def get_pic(self):
    print('开始网页get请求')
    r = self.request(self.web_url)
    print('开始获取所有a标签')
    all_a = BeautifulSoup(r.text, 'lxml').find_all('a', class_='cV68d')  #获取网页中的classcV68d的所有a标签
    print('开始创建文件夹')
    self.mkdir(self.folder_path)  #创建文件夹
    print('开始切换文件夹')
    os.chdir(self.folder_path)   #切换路径至上面创建的文件夹

    for a in all_a: #循环每个标签,获取标签中图片的url并且进行网络请求,最后保存图片
        img_str = a['style'] #a标签中完整的style字符串
        print('a标签的style内容是:', img_str)
        first_pos = img_str.index('"') + 1
        second_pos = img_str.index('"',first_pos)
        img_url = img_str[first_pos: second_pos] #使用Python的切片功能截取双引号之间的内容
        #获取高度和宽度的字符在字符串中的位置
        width_pos = img_url.index('&w=')
        height_pos = img_url.index('&q=')
        width_height_str = img_url[width_pos : height_pos] #使用切片功能截取高度和宽度参数,后面用来将该参数替换掉
        print('高度和宽度数据字符串是:', width_height_str)
        img_url_final = img_url.replace(width_height_str, '')  #把高度和宽度的字符串替换成空字符
        print('截取后的图片的url是:', img_url_final)
        #截取url中参数前面、网址后面的字符串为图片名
        name_start_pos = img_url.index('photo')
        name_end_pos = img_url.index('?')
        img_name = img_url[name_start_pos : name_end_pos]
        self.save_img(img_url_final, img_name) #调用save_img方法来保存图片

def save_img(self, url, name): ##保存图片
    print('开始请求图片地址,过程会有点长...')
    img = self.request(url)
    file_name = name + '.jpg'
    print('开始保存图片')
    f = open(file_name, 'ab')
    f.write(img.content)
    print(


    
file_name,'图片保存成功!')
    f.close()

def request(self, url):  #返回网页的response
    r = requests.get(url, headers=self.headers)  # 像目标url地址发送get请求,返回一个response对象。有没有headers参数都可以。
    return r

def mkdir(self, path):  ##这个函数创建文件夹
    path = path.strip()
    isExists = os.path.exists(path)
    if not isExists:
        print('创建名字叫做', path, '的文件夹')
        os.makedirs(path)
        print('创建成功!')
    else:
        print(path, '文件夹已经存在了,不再创建')

beauty = BeautifulPicture() #创建类的实例 beauty.get_pic() #执行类中的方法 执行的过程中可能会有点慢,这是因为图片本身比较大!如果仅仅是为了测试爬虫,则可以不把图片的宽度和高度替换掉,图片就没那么大啦,运行过程会快很多。

六、后语 伙伴儿们是不是发现,我们只获取到了10张图片,并没有把网站所有照片都下载下来。

这是因为咱们爬取的网站是下拉刷新的,下拉一次,刷新10张照片。那么,该如何爬取这种下拉刷新的网页呢?请看下一篇喽

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/46828
 
111 次点击  
分享到微博