python爬虫之路——初识爬虫三大库，requests,lxml,beautiful.

三大库：requests,lxml,beautifulSoup.

Request库作用：请求网站获取网页数据。

get（）的基本使用方法

#导入库

import requests

#向网站发送请求，获取数据。

res= requests.get(‘http://bj.xiaozhu.com/’)

#打印返回值，<response [200]>成功，<response [404]>，<response [400]>失败

print(res)

#打印返回文本

print(res.test)

加入请求头伪装成浏览器

import request

#User-Agent

headers={Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36 QIHU 360SE}

#将heads导入

res=requests.get('https://www.baidu.com/?tn=92495750_hao_pg',headers=headers)

print(res.test)

post（）的基本使用：用于提交表单来爬取需要登录才能获得数据的网页。

增加健壮性和效率

Requests库的错误和异常分四种：自己分为两种①未发出Reques②未收到Html

当发现这些错误或异常进行代码修改重新再来，爬虫重新再来，有些数据又爬一次。效率和质量低。

import request

#User-Agent

headers={Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36 QIHU 360SE}

#将heads导入

res=requests.get('https://www.baidu.com/?tn=92495750_hao_pg',headers=headers)

try:

　　print(res.test)

except ConnectionError:

　　print('拒绝连接')

beautifulSoup()库的作用：①解析requests库请求的网页，把网页源代码解析成soup文档。②初步提取

①解析requests库请求的网页，把网页源代码解析成soup文档，得到标准缩进格式的结构输出，为进步处理准备。

#导入库

import requests

from bs4 import BeautifulSoup

#向网站发送请求，获取数据。

res= requests.get(‘http://bj.xiaozhu.com/’)

#利用Beauiful库解析为soup文档。

soup=BeautifulSoup(res.test,'html.parser')

print(soup.prettify())

②初步提取

find_all和find()的区别：查询一个或查询所有。使用方法一样，没有具体事例可能用的不多。

根据标签名提取内容

soup.find_all('div',"item")

soup.find_all('div',class='item')

soup.find_all('div',attrs={"class":"item"})

selector():根据路径查询数据

soup.selector（ div > div > div.lay.first > div.list_li.\30 > a > img）

div是标签名，list_li.\30是属性class的值

多分支标签中不能使用child要改为type

li:nth-child(1)需改为li:nth-of-type(1)

③get_text()方法：提取标签内容去掉头尾，<i>5456</i>      =>    5456

import requests

from bs4 import BeautifulSoup

#向网站发送请求，获取数据。

res= requests.get(‘http://bj.xiaozhu.com/’)

#利用Beauiful库解析为soup文档。

soup=BeautifulSoup(res.test,'html.parser')

#利用css定位元素

prices=soup.selector（ div > div > div.lay.first > div.list_li.\30 > a > img）

#提取标签内容去掉头尾，<i>5456</i>=>5456

for price in prices:

　　print (price.get_text())

lxml库