Python爬取求職網(wǎng)requests庫和BeautifulSoup庫使用詳解
一、requests庫
1、requests簡介
requests庫就是一個(gè)發(fā)起請求的第三方庫，requests允許你發(fā)送HTTP/1.1 請求，你不需要手動(dòng)為 URL 添加查詢字串，也不需要對 POST 數(shù)據(jù)進(jìn)行表單編碼。Keep-alive 和 HTTP 連接池的功能是 100% 自動(dòng)化的，一切動(dòng)力都來自于根植在 requests 內(nèi)部的 urllib3。簡單來說有了這個(gè)庫，我們就能輕而易舉向?qū)?yīng)的網(wǎng)站發(fā)起請求，從而對網(wǎng)頁數(shù)據(jù)進(jìn)行獲取，還可以獲取服務(wù)器返回的響應(yīng)內(nèi)容和狀態(tài)碼。
requesets中文文檔頁面https://requests.kennethreitz.org/zh_CN/latest/
2、安裝requests庫
一般電腦安裝的Python都會(huì)自帶這個(gè)庫，如果沒有就可在命令行輸入下面這行代碼安裝
pip install requests
3、使用requests獲取網(wǎng)頁數(shù)據(jù) 我們先導(dǎo)入模塊
import requests
- 對想要獲取數(shù)據(jù)的網(wǎng)站發(fā)起請求，以下以qq音樂官網(wǎng)為例
res = requests.get('https://y.qq.com/') #發(fā)起請求
print(res) #輸出<Response [200]>
輸出的200其實(shí)就是一個(gè)響應(yīng)狀態(tài)碼，下面給大家列出有可能返回的各狀態(tài)碼含義
| 狀態(tài)碼 | 含義 |
|---|---|
| 1xx | 繼續(xù)發(fā)送信息 |
| 2xx | 請求成功 |
| 3xx | 重定向 |
| 4xx | 客戶端錯(cuò)誤 |
| 5xx | 服務(wù)端錯(cuò)誤 |
- 獲取qq音樂首頁的網(wǎng)頁源代碼
res = requests.get('https://y.qq.com/') #發(fā)起請求
print(res.text)#res.text就是網(wǎng)頁的源代碼
4、總結(jié)requests的一些方法
| 屬性 | 含義 |
|---|---|
| res.status_code | HTTP的狀態(tài)碼 |
| res.text | 響應(yīng)內(nèi)容的文本 |
| res.content | 響應(yīng)內(nèi)容的二進(jìn)制形式文本 |
| res.encoding | 響應(yīng)內(nèi)容的編碼 |
既然我們學(xué)好了如何獲取網(wǎng)頁源代碼，接下來我們就學(xué)習(xí)下怎么用BeautifulSoup庫對我們獲取的內(nèi)容進(jìn)行提取。
二、BeautifulSoup庫
1、BeautifulSoup簡介
BeautifulSoup是Python里的第三方庫，處理數(shù)據(jù)十分實(shí)用，有了這個(gè)庫，我們就可以根據(jù)網(wǎng)頁源代碼里對應(yīng)的HTML標(biāo)簽對數(shù)據(jù)進(jìn)行有目的性的提取。BeautifulSoup庫一般與requests庫搭配使用。 不熟的HTML標(biāo)簽的最好去百度下，了解一些常用的標(biāo)簽。
2、安裝BeautifulSoup庫
同樣的如果沒用這個(gè)庫，可以通過命令行輸入下列代碼安裝
pip install beautifulsoup4
3、使用BeautifulSoup解析并提取獲取的數(shù)據(jù)
import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header) #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser') #第一個(gè)參數(shù)是HTML文本，第二個(gè)參數(shù)html.parser是Python內(nèi)置的編譯器
print(soup) #輸出qq音樂首頁的源代碼
部分輸出結(jié)果
看到輸出結(jié)果，我們已經(jīng)成功將網(wǎng)頁源代碼解析成BeautifulSoup對象。這時(shí)可能有人就會(huì)問res.text輸出的不就是網(wǎng)頁代碼了嗎，何苦再將它轉(zhuǎn)為BeautifulSoup對象呢?
我們先來通過type()函數(shù)看下它們的類型
import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header) #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser') #第一個(gè)參數(shù)是HTML文本，第二個(gè)參數(shù)html.parser是Python內(nèi)置的編譯器
print(type(res.text))
print(type(soup))
輸出結(jié)果
我們可以看到res.text的類型是字符串類型，而soup則是BeautifulSoup對象類型。相比于res.text的字符串類型，soup的BeautifulSoup對象類型擁有著更多可用的方法，以便我們快速提取出需要的數(shù)據(jù)。這就是為什么我們要多此一步了。
4、BeautifulSoup提取數(shù)據(jù)的方法
- 先來了解兩個(gè)最常用的方法
| 方法 | 作用 |
|---|---|
| find() | 返回第一個(gè)符合要求的數(shù)據(jù) |
| find_all() | 返回所有符合要求的數(shù)據(jù) |
這兩個(gè)函數(shù)傳入的參數(shù)就是我們對數(shù)據(jù)的篩選條件了，我們可以向這兩個(gè)函數(shù)分別傳入什么參數(shù)呢？
我們以下面在qq音樂首頁截取的源代碼片段為例，試用兩個(gè)函數(shù)
<div class="index__hd"> <h2 class="index__tit"><i class="icon_txt">歌單推薦</i></h2> </div> <!-- 切換 --> <div class="mod_index_tab" data-stat="y_new.index.playlist"> <a href="javascript:;" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="index_tab__item index_tab__item--current js_tag" data-index="0" data-type="recomPlaylist" data-id="1">為你推薦</a> <a href="javascript:;" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="index_tab__item js_tag" data-type="playlist" data-id="3056">網(wǎng)絡(luò)歌曲</a> <a href="javascript:;" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="index_tab__item js_tag" data-type="playlist" data-id="3256">綜藝</a> <a href="javascript:;" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="index_tab__item js_tag" data-type="playlist" data-id="59">經(jīng)典</a> <a href="javascript:;" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="index_tab__item js_tag" data-type="playlist" data-id="3317">官方歌單</a> <a href="javascript:;" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="index_tab__item js_tag" data-type="playlist" data-id="71">情歌</a> </div>
find()函數(shù)
如果想要獲取歌單推薦這一行的內(nèi)容，我們就需要先對歌單推薦的HTML標(biāo)簽進(jìn)行識別，我們發(fā)現(xiàn)它在class="icon_txt"的i標(biāo)簽下，接著就可以通過以下這種方法進(jìn)行提取
import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header) #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser') #第一個(gè)參數(shù)是HTML文本，第二個(gè)參數(shù)html.parser是Python內(nèi)置的編譯器
print(soup.find('i', class_='icon_txt')) #找到 class_='icon_txt'的 i 標(biāo)簽
因?yàn)?class 是 Python 中定義類的關(guān)鍵字，所以用 class_ 表示 HTML 中的 class
輸出結(jié)果
find_all()函數(shù)
如果我們想要把歌單推薦的全部主題提取下來的話，就要用到find_all()函數(shù)
同樣的，我們發(fā)現(xiàn)這幾個(gè)主題都在 class="index_tab__item js_tag"的 a標(biāo)簽下，這時(shí)為了避免篩選到源代碼中其他同為class="index_tab__item js_tag"的標(biāo)簽，我們需要再加多一個(gè)條件data-type=“playlist”，具體怎么操作呢？
import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header) #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser') #第一個(gè)參數(shù)是HTML文本，第二個(gè)參數(shù)html.parser是Python內(nèi)置的編譯器
print(soup.find('i', class_='icon_txt'))
items = soup.find_all('a',attrs={"class" :"index_tab__item js_tag","data-type":"playlist"})
實(shí)現(xiàn)的方法就是在第二個(gè)參數(shù)處傳入一個(gè)鍵值對，在里面添加篩選的屬性
輸出結(jié)果
通過上面兩個(gè)小案例，我們發(fā)現(xiàn)find()和find_all()函數(shù)返回的是Tag對象和Tag對象組成的列表，而我們需要的并不是這一大串東西，我們需要的只是Tag對象的text屬性或者h(yuǎn)ref(鏈接)屬性，實(shí)現(xiàn)代碼如下
import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header) #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser') #第一個(gè)參數(shù)是HTML文本，第二個(gè)參數(shù)html.parser是Python內(nèi)置的編譯器
tag1=soup.find('i', class_='icon_txt')
print(tag1.text)
items = soup.find_all('a',attrs={"class" :"index_tab__item js_tag","data-type":"playlist"})
for i in items: #遍歷列表
tag2=i.text
print(tag2)
輸出結(jié)果
這樣我們就成功把主題的文本內(nèi)容獲取了，而想要提取標(biāo)簽中的屬性值，則可以用對象名[‘屬性']的方法獲取，這里就不演示了
本次分享就到這里了，在下次介紹完反爬蟲和如何將數(shù)據(jù)寫進(jìn)文件的方法后，我會(huì)結(jié)合我所寫的三篇文章的方法來做一個(gè)爬取求職網(wǎng)的實(shí)例跟大家分享，有興趣的可以看下，謝謝大家！
希望大家以后多多支持本站！
版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。
關(guān)注官方微信