python beautifulsoup爬虫

爬虫这个听起来很 hack 的名字,是我学习 python 的诱因.当 python 基础学习到必定程度(基本语法,数据类型掌握) 就能够开启本身的小爬虫了.毕竟实践才是提升的最快途径.废话说完了,下面直接开始: 
廖凯峰的 python 基础教程

作爬虫须要几步呢? 概况来讲须要两步: 
第一步是从网络上获取数据(大部分是html) 
第二步就是解析数据

1. 从网站获取数据

这里我使用 requests 模块来代替内建模块 urllib

import requests import random url = 'http://www.weather.com.cn/weather/101010100.shtml' # 数据地址,从浏览器copy header = { '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', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.3226.400 QQBrowser/9.6.11681.400' } timeout = random.choice(range(80, 180)) # 超时时间 req = requests.get(url, headers=header, timeout=timeout) req.encoding = 'utf-8' # 防止中文乱码 code = req.status_code # 返回状态,200表明OK print(code)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

header 的做用: requests模块能够很是方便地抓取URL内容，也就是发送一个GET请求到指定的服务器获取界面,而浏览器在发送请求的时候会携带一些基本的信息做为 header 传递给服务器.服务器会根据 header 里的信息来判断如何返回数据,或者返回什么类型的数据,例如返回的数据是否能够压缩,是否返回移动端展现的界面.所以为了不没必要要的错误,在发送GET请求时,最好带上header.至于header的内容,能够经过浏览器调试,或者fiddler获取.

这时咱们得到了想要的数据,能够用 print(req.text)查看

2. 解析数据

咱们用 bs4 模块来解析得到的数据 
当咱们利用 print(req.text) 打印数据后,会发现整整有1000多行.其实这些数据就是在浏览器中查看网页源码的数据.为了方便的找到对咱们有用的数据,咱们须要 bs4 的 BeautifulSoup 类来完成. 
Beautiful Soup 中文文档

from bs4 import BeautifulSoup soup = BeautifulSoup(req.text, 'html.parser') # 分析得 <ul class="t clearfix"> 标签下记录了咱们想要的数据,所以只须要解析这个标签便可 ul_tag = soup.find('ul', 't clearfix') # 利用 css 查找 print(ul_tag) # 取出七天数据 # 打印每一天数据 li_tag = ul_tag.findAll('li') for tag in li_tag: print(tag.find('h1').string) # 时间 print(tag.find('p', 'wea').string) # wea # 温度的tag格式不统一,作容错 try: print(tag.find('p', 'tem').find('span').string) # 高温 print(tag.find('p', 'tem').find('i').string) # 低温 except: print('没有高温或低温数据') pass print(tag.find('p', 'win').find('i').string) # win print("_______________ 分割线 ____________________") 

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23

# 结果: 4日（今天） 晴间多云转晴转多云 33℃ 20℃ 微风 _______________ 分割线 ____________________ 25日（明天） 多云转晴 32℃ 19℃ 微风 _______________ 分割线 ____________________ 26日（后天） 多云转阵雨 29℃ 18℃ 微风

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18

# 部分网页源码
<ul class="t clearfix"> <li class="sky skyid lv2 on"> <h1>24日（今天）</h1> <big class="png40 d00"></big> <big class="png40 n01"></big> <p class="wea" title="晴间多云转晴转多云">晴间多云转晴转多云</p> <p class="tem"> <span>33℃</span>/ <i>20℃</i> </p> <p class="win"> <em> <span title="北风" class="N"></span> <span title="北风" class="N"></span> </em> <i>微风</i> </p> <div class="slid"></div> </li> <li class="sky skyid lv2"> <h1>25日（明天）</h1> <big class="png40 d01"></big> <big class="png40 n00"></big> <p class="wea" title="多云转晴转晴">多云转晴</p> <p class="tem"> <span>32℃</span>/ <i>19℃</i> </p> <p class="win"> <em> <span title="西风" class="W"></span> <span title="北风" class="N"></span> </em> <i>微风</i>

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35

3. 总结

1 此网站获取数据仍是很方便的,甚至能够不传header. 
2 数据解析前要本身查看网页源码,以后有一个大概的获取范围和思路 
3 数据解析方法对应特定的数据格式,不通用. 
4 有效代码只有30行,python 语音果然 是“优雅”.“明确”.“简单”