腳本之家服務器常用軟件

快捷導航

一文教會你用Python獲取網(wǎng)頁指定內(nèi)容

更新時間：2022年03月28日 12:55:12 作者：liver100day

Python用做數(shù)據(jù)處理還是相當不錯的,如果你想要做爬蟲,Python是很好的選擇,它有很多已經(jīng)寫好的類包,只要調用即可完成很多復雜的功能,下面這篇文章主要給大家介紹了關于Python獲取網(wǎng)頁指定內(nèi)容的相關資料,需要的朋友可以參考下

前言

Python用做數(shù)據(jù)處理還是相當不錯的，如果你想要做爬蟲，Python是很好的選擇，它有很多已經(jīng)寫好的類包，只要調用，即可完成很多復雜的功能
在我們開始之前，我們需要安裝一些環(huán)境依賴包，打開命令行

確保電腦中具有python和pip，如果沒有的話則需要自行進行安裝

之后我們可使用pip安裝必備模塊 requests

pip install requests

requests是python實現(xiàn)的簡單易用的HTTP庫，使用起來比urllib簡潔很多，requests 允許你發(fā)送 HTTP/1.1 請求。指定 URL并添加查詢url字符串即可開始爬取網(wǎng)頁信息

1.抓取網(wǎng)頁源代碼

以該平臺為例，抓取網(wǎng)頁中的公司名稱數(shù)據(jù),網(wǎng)頁鏈接:https://www.crrcgo.cc/admin/crr_supplier.html?page=1

目標網(wǎng)頁源代碼如下：

首先明確步驟

1.打開目標站點

2.抓取目標站點代碼并輸出

import requests

導入我們需要的requests功能模塊

page=requests.get('https://www.crrcgo.cc/admin/crr_supplier.html?page=1')

這句命令的意思就是使用get方式獲取該網(wǎng)頁的數(shù)據(jù)。實際上我們獲取到的就是瀏覽器打開百度網(wǎng)址時候首頁畫面的數(shù)據(jù)信息

print(page.text)

這句是把我們獲取數(shù)據(jù)的文字（text）內(nèi)容輸出（print）出來

import requestspage=requests.get('https://www.crrcgo.cc/admin/crr_supplier.html?page=1')print(page.text)

成功爬取到了目標網(wǎng)頁源代碼

2.抓取一個網(wǎng)頁源代碼中的某標簽內(nèi)容

但是上面抓取到的代碼充滿尖括號的一片字符，對我們沒有什么作用，這樣的充滿尖括號的數(shù)據(jù)就是我們從服務器收到的網(wǎng)頁文件，就像Office的doc、pptx文件格式一樣，網(wǎng)頁文件一般是html格式。我們的瀏覽器可以把這些html代碼數(shù)據(jù)展示成我們看到的網(wǎng)頁。

我們?nèi)绻枰@些字符里面提取有價值的數(shù)據(jù)，就必須先了解標記元素

每個標記的文字內(nèi)容都是夾在兩個尖括號中間的，結尾尖括號用/開頭，尖括號內(nèi)（img和div）表示標記元素的類型（圖片或文字），尖括號內(nèi)可以有其他的屬性（比如src）

標記內(nèi)容文字才是我們需要的數(shù)據(jù)，但我們要利用id或class屬性才能從眾多標記中找到需要的標記元素。

我們可以在電腦瀏覽器中打開任意網(wǎng)頁，按下f12鍵即可打開元素查看器（Elements），就可以看到組成這個頁面的成百上千個各種各樣的標記元素

標記元素是可以一層一層嵌套的，比如下面就是body嵌套了div元素，body是父層、上層元素；div是子層、下層元素。

<body>
    <div>十分鐘上手數(shù)據(jù)爬蟲</div>
</body>

回到抓取上面來，現(xiàn)在我只想在網(wǎng)頁中抓取公司名這個數(shù)據(jù)，其他的我不想要

查看網(wǎng)頁html代碼，發(fā)現(xiàn)公司名在標簽detail_head里面

import requests
req=requests.get('https://www.crrcgo.cc/admin/crr_supplier.html?page=1')

這兩行上面解釋過了，是獲取頁面數(shù)據(jù)

from bs4 import BeautifulSoup

我們需要使用BeautifulSoup這個功能模塊來把充滿尖括號的html數(shù)據(jù)變?yōu)楦糜玫母袷?，from bs4 import BeautifulSoup這個是說從bs4這個功能模塊中導入BeautifulSoup，是的，因為bs4中包含了多個模塊，BeautifulSoup只是其中一個

req.encoding = "utf-8"

指定獲取的網(wǎng)頁內(nèi)容用utf-8編碼

soup = BeautifulSoup(html.text, 'html.parser')

這句代碼用html解析器(parser)來分析我們requests得到的html文字內(nèi)容，soup就是我們解析出來的結果。

company_item=soup.find_all('div',class_="detail_head")

find是查找，find_all查找全部。查找標記名是div并且class屬性是detail_head的全部元素

dd = company_item.text.strip()

strip() 方法用于移除字符串頭尾指定的字符（默認為空格或換行符）或字符序列。在這里就是移除多余的尖括號的html數(shù)據(jù)

最后拼接之后代碼如下：

import requests
from bs4 import BeautifulSoup

req = requests.get(url="https://www.crrcgo.cc/admin/crr_supplier.html?page=1")
req.encoding = "utf-8"
html=req.text
soup = BeautifulSoup(req.text,features="html.parser")
company_item = soup.find("div",class_="detail_head")
dd = company_item.text.strip()
print(dd)

最后執(zhí)行結果成功的抓取到了網(wǎng)頁中我們想要的公司信息，但是卻只抓取到了一個公司，其余的則并未抓取到

所以我們需要加入一個循環(huán)，抓取網(wǎng)頁中所有公司名，并沒多大改變

for company_item in company_items:
    dd = company_item.text.strip()
    print(dd)

最終代碼如下：

import requests
from bs4 import BeautifulSoup

req = requests.get(url="https://www.crrcgo.cc/admin/crr_supplier.html?page=1")
req.encoding = "utf-8"
html=req.text
soup = BeautifulSoup(req.text,features="html.parser")
company_items = soup.find_all("div",class_="detail_head")
for company_item in company_items:
    dd = company_item.text.strip()
    print(dd)

最終運行結果查詢出了該網(wǎng)頁中所有的公司名

3.抓取多個網(wǎng)頁子標簽的內(nèi)容

那我現(xiàn)在想要抓取多個網(wǎng)頁中的公司名呢？很簡單，大體代碼都已經(jīng)寫出，我們只需要再次加入一個循環(huán)即可
查看我們需要進行抓取的網(wǎng)頁，發(fā)現(xiàn)當網(wǎng)頁變化時，就只有page后面的數(shù)字會發(fā)生變化。當然很多大的廠商的網(wǎng)頁，例如京東、淘寶它們的網(wǎng)頁變化時常讓人摸不著頭腦，很難猜測。

inurl="https://www.crrcgo.cc/admin/crr_supplier.html?page="
for num in range(1,6):
    print("================正在爬蟲第"+str(num)+"頁數(shù)據(jù)==================")

寫入循環(huán)，我們只抓取1到5頁的內(nèi)容，這里的循環(huán)我們使用range函數(shù)來實現(xiàn)，range函數(shù)左閉右開的特性使得我們要抓取到5頁必須指定6

	outurl=inurl+str(num)
    req = requests.get(url=outurl)

將循環(huán)值與url拼接成完整的url，并獲取頁面數(shù)據(jù)

完整代碼如下：

import requests
from bs4 import BeautifulSoup

inurl="https://www.crrcgo.cc/admin/crr_supplier.html?page="
for num in range(1,6):
    print("================正在爬蟲第"+str(num)+"頁數(shù)據(jù)==================")
    outurl=inurl+str(num)
    req = requests.get(url=outurl)
    req.encoding = "utf-8"
    html=req.text
    soup = BeautifulSoup(req.text,features="html.parser")
    company_items = soup.find_all("div",class_="detail_head")
    for company_item in company_items:
        dd = company_item.text.strip()
        print(dd)