python beautifulsoup爬虫

爬虫这个听起来很 hack 的名字,是我学习 python 的诱因.当 python 基础学习到一定程度(基本语法,数据类型掌握) 就可以开启自己的小爬虫了.毕竟实践才是提高的最快途径.废话说完了,下面直接开始:
廖凯峰的 python 基础教程

做爬虫需要几步呢? 概况来说需要两步:
第一步是从网络上获取数据(大部分是html)
第二步就是解析数据

1. 从网站获取数据

这里我使用 requests 模块来代替内建模块 urllib

import requests

import random

url = 'http://www.weather.com.cn/weather/101010100.shtml' # 数据地址,从浏览器copy

header = {

    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',

    'Accept-Encoding': 'gzip, deflate, sdch',

    'Accept-Language': 'zh-CN,zh;q=0.8',

    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.104 Safari/537.36 Core/1.53.3226.400 QQBrowser/9.6.11681.400'

}

timeout = random.choice(range(80, 180)) # 超时时间

req = requests.get(url, headers=header, timeout=timeout)

req.encoding = 'utf-8' # 防止中文乱码

code = req.status_code # 返回状态,200代表OK

print(code)

header 的作用: requests模块可以非常方便地抓取URL内容，也就是发送一个GET请求到指定的服务器获取界面,而浏览器在发送请求的时候会携带一些基本的信息作为 header 传递给服务器.服务器会根据 header 里的信息来判断如何返回数据,或者返回什么类型的数据,例如返回的数据是否可以压缩,是否返回移动端展示的界面.因此为了避免不必要的错误,在发送GET请求时,最好带上header.至于header的内容,可以通过浏览器调试,或者fiddler获取.

这时我们获得了想要的数据,可以用 print(req.text)查看

2. 解析数据

我们用 bs4 模块来解析获得的数据
当我们利用 print(req.text) 打印数据后,会发现整整有1000多行.其实这些数据就是在浏览器中查看网页源码的数据.为了方便的找到对我们有用的数据,我们需要 bs4 的 BeautifulSoup 类来完成.
Beautiful Soup 中文文档

from bs4 import BeautifulSoup

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

# 分析得 <ul class="t clearfix"> 标签下记录了我们想要的数据,因此只需要解析这个标签即可

ul_tag = soup.find('ul', 't clearfix')  # 利用 css 查找

print(ul_tag) # 取出七天数据

# 打印每一天数据

li_tag = ul_tag.findAll('li')

for tag in li_tag:

    print(tag.find('h1').string)  # 时间

    print(tag.find('p', 'wea').string)  # wea

    # 温度的tag格式不统一,做容错

   try:

        print(tag.find('p', 'tem').find('span').string)  # 高温

        print(tag.find('p', 'tem').find('i').string)  # 低温

    except:

        print('没有高温或低温数据')

        pass

    print(tag.find('p', 'win').find('i').string)  # win

    print("_______________ 分割线 ____________________")

# 结果:

4日（今天）

晴间多云转晴转多云

33℃

20℃

微风

_______________ 分割线 ____________________

25日（明天）

多云转晴

32℃

19℃

微风

_______________ 分割线 ____________________

26日（后天）

多云转阵雨

29℃

18℃

微风

# 部分网页源码

<ul class="t clearfix">

<li class="sky skyid lv2 on">

<h1>24日（今天）</h1>

<big class="png40 d00"></big>

<big class="png40 n01"></big>

<p class="wea" title="晴间多云转晴转多云">晴间多云转晴转多云</p>

<p class="tem">

<span>33℃</span>/

<i>20℃</i>

</p>

<p class="win">

<em>

<span title="北风" class="N"></span>

<span title="北风" class="N"></span>

</em>

<i>微风</i>

</p>

<div class="slid"></div>

</li>

<li class="sky skyid lv2">

<h1>25日（明天）</h1>

<big class="png40 d01"></big>

<big class="png40 n00"></big>

<p class="wea" title="多云转晴转晴">多云转晴</p>

<p class="tem">

<span>32℃</span>/

<i>19℃</i>

</p>

<p class="win">

<em>

<span title="西风" class="W"></span>

<span title="北风" class="N"></span>

</em>

<i>微风</i>

3. 总结

1 此网站获取数据还是很方便的,甚至可以不传header.
2 数据解析前要自己查看网页源码,之后有一个大概的获取范围和思路
3 数据解析方法对应特定的数据格式,不通用.
4 有效代码只有30行,python 语音果真是“优雅”.“明确”.“简单”