所謂網(wǎng)絡(luò)爬蟲(chóng)，通俗的講，就是通過(guò)向我們需要的URL發(fā)出http請(qǐng)求，獲取該URL對(duì)應(yīng)的http報(bào)文主體內(nèi)容，之后提取該報(bào)文主體中我們所需要的信息。

下面是一個(gè)簡(jiǎn)單的爬蟲(chóng)程序

http基本知識(shí)

當(dāng)我們通過(guò)瀏覽器訪問(wèn)指定的URL時(shí)，需要遵守http協(xié)議。本節(jié)將介紹一些關(guān)于http的基礎(chǔ)知識(shí)。

http基本流程

我們打開(kāi)一個(gè)網(wǎng)頁(yè)的過(guò)程，就是一次http請(qǐng)求的過(guò)程。這個(gè)過(guò)程中，我們自己的主機(jī)充當(dāng)著客戶機(jī)的作用，而充當(dāng)客戶端的是瀏覽器。我們輸入的URL對(duì)應(yīng)著網(wǎng)絡(luò)中某臺(tái)服務(wù)器上面的資源，服務(wù)器接收到客戶端發(fā)出的http請(qǐng)求之后，會(huì)給客戶端一個(gè)響應(yīng)，響應(yīng)的內(nèi)容就是請(qǐng)求的URL對(duì)應(yīng)的內(nèi)容，當(dāng)客戶端接收到服務(wù)器的響應(yīng)時(shí)，我們就可以在瀏覽器上看見(jiàn)請(qǐng)求的信息了。

我們可以通過(guò)python的requests模塊很方便的發(fā)起http請(qǐng)求。requests模塊是第三方模塊，安裝完成之后直接import就能使用。下面介紹一些簡(jiǎn)單的用法

發(fā)起請(qǐng)求

import requests
# 請(qǐng)求的首部信息
headers = {
  'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) 
  Chrome/65.0.3325.146 Safari/537.36'
}
# 例子的url
url = 'https://voice.hupu.com/nba' # 虎撲nba新聞
# 利用requests對(duì)象的get方法，對(duì)指定的url發(fā)起請(qǐng)求
# 該方法會(huì)返回一個(gè)Response對(duì)象
res = requests.get(url, headers=headers)
# 通過(guò)Response對(duì)象的text方法獲取網(wǎng)頁(yè)的文本信息
print(res.text)

上面的代碼中，我們向虎撲的服務(wù)器發(fā)送了一個(gè)get請(qǐng)求，獲取虎撲首頁(yè)的nba新聞。headers參數(shù)指的是http請(qǐng)求的首部信息，我們請(qǐng)求的url對(duì)應(yīng)的資源是虎撲nba新聞的首頁(yè)。獲取到對(duì)應(yīng)的網(wǎng)頁(yè)資源之后，我們需要對(duì)其中的信息進(jìn)行提取。

通過(guò)BeautifulSoup提取網(wǎng)頁(yè)信息

BeautifulSoup庫(kù)提供了很多解析html的方法，可以幫助我們很方便地提取我們需要的內(nèi)容。我們這里說(shuō)的BeautifulSoup指的是bs4。當(dāng)我們成功抓取網(wǎng)頁(yè)之后，就可以通過(guò)BeautifulSoup對(duì)象對(duì)網(wǎng)頁(yè)內(nèi)容進(jìn)行解析。在BeautifulSoup中，我們最常用的方法就是find()方法和find_all()方法，借助于這兩個(gè)方法，可以輕松地獲取到我們需要的標(biāo)簽或者標(biāo)簽組。關(guān)于其他的方法，可以參考bs4的官方文檔：BeautifulSoup

find()方法和find_all()方法的用法如下

find(name , attrs , recursive , string , **kwargs )
# find_all()方法將返回文檔中符合條件的所有tag，
find_all(name , attrs , recursive , string , **kwargs )

from bs4 import BeautifulSoup
# BeautifulSoup對(duì)象接收html文檔字符串
# lxml是html解析器
soup = Beautiful(res.text, 'lxml')
# 下面的方法找出了所有class為hello的span標(biāo)簽
# 并將所有的結(jié)果都放入一個(gè)list返回
tags = soup.find_all('span', {'class': 'hello'})

實(shí)例擴(kuò)展：

實(shí)例一：

#第一種方法
import urllib2 #將urllib2庫(kù)引用進(jìn)來(lái)
response=urllib2.urlopen("http://www.baidu.com") #調(diào)用庫(kù)中的方法，將請(qǐng)求回應(yīng)封裝到response對(duì)象中
html=response.read() #調(diào)用response對(duì)象的read（）方法，將回應(yīng)字符串賦給hhtml變量
print html #打印出來(lái)

實(shí)例二：

#第二中方法
import urllib2
req=urllib2.Request("http://ww.baidu.com")
response=urllib2.urlopen(req)
html = response.read()
print html

到此這篇關(guān)于用python寫爬蟲(chóng)簡(jiǎn)單嗎的文章就介紹到這了,更多相關(guān)python寫爬蟲(chóng)難嗎內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論