这篇文章带你轻松入门 python 爬虫

时间 2020-03-20 标签文章轻松入门 python 爬虫

“ 阅读文本大概须要 3 分钟html

前言python

你们好，这里是「brucepk」python 爬虫课堂。此文首发于「brucepk」公众号，欢迎你们去关注。web

俗话说，万事开头难，学习爬虫也是如此。咱们知道，python 爬虫主要步骤无非就是：获取源码、从源码中提取须要的信息、保存数据这几个主要步骤。chrome

俗话说，万事开头难，遭遇挫折时，咱们每每会在踏出的第一步选择放弃。学习爬虫亦是如此，最容易放弃的在第一步：获取源码，由于获取源码方式有不少，不一样方式针对不一样的页面结构。你会了一种方式，感受很简单，可是碰到另外一种状况，套用这个方法行不通时，可能会让你望而却步。话很少说，今天就带你入门爬虫。浏览器

爬虫提取页面源代码主要有两种方法：requests 库和 selenium 库。微信

下面分析这两种方式的适用场景和优缺点。网络

requests 库提取框架

requests 适合提取须要的元素信息直接保存在页面的源代码里面，能够直接用 requests.get(url).text 来提取页面源码。以前发的 100 行代码找出你中意的书项目用的就是此方法。用此方法解析先后面必须带上 text 才行。工具

import requests
from bs4 import BeautifulSoup
url='https://mp.weixin.qq.com/s/HxHFE7jB3hU6gBZWeHB5xw'
html = requests.get(url)
soup = BeautifulSoup(html.text, 'lxml')
print(soup)

下面是输出结果的部分截图：学习

requests 库提取源代码优缺点

优势：提取页面快。

缺点：不适合提取元素不是加载在源代码的项目。

selenium 库提取

selenium 库适合提取咱们须要的信息不在源代码里面的，昨天发的获取网易云音乐的项目听歌慌？80 行代码帮你搞定！就是用的此方法。

咱们经过 F12 代码调试元素里面能够看到咱们须要提取的元素，可是在源代码里面找不到这些元素，这时只能用自动化测试库 selenium 库，经过操做浏览器的驱动来操做浏览器，因此前期工做须要把对应的驱动 driver 下载下来放在 python 3 安装的目录下。

注意：driver 的版本须要浏览器版本对应，好比我用的 Chrome 谷歌浏览器 67.0 版本，对应的 chromedriver 版本是 2.38，对应关系表和驱动下载连接可在后台回复「谷歌驱动」获取。

看下昨天爬虫爬取音乐的代码

from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait

browser = webdriver.Chrome()
wait = WebDriverWait(browser,5)    #设置等待时间

#返回歌手名字和歌手id
def get_singer(url):
    browser.get(url)
    browser.switch_to.frame('g_iframe')
    html = browser.page_source
    soup=BeautifulSoup(html,'lxml')

selenium 库提取源代码优缺点

优势：用 selenium 自动化库模拟人工操做浏览器，不用设置代理 ip 和 headers 去作反爬虫处理，能够直接提取页面元素里的信息。

缺点：模拟人工操做浏览器，受到网络影响，爬虫速度没有 requests 库提取快。

用 selenium 库处理时还有一个坑须要注意，须要提取的页面元素不在主框架frame 里面，而是在其中的一个子框架 iframe 里面，须要找到这个子框架的 id，并切换到这个子框架后才提取页面。怎么找到这个子框架呢？教你们一个笨方法，在元素区域搜索 iframe，点到搜索到的 iframe，若是阴影区域包括你须要提取的元素，那就是这个 iframe，提取它的 id 便可。

找到子框架的 id 后，用 swith_to.frame("") 切换到此框架。