Python:requests库、BeautifulSoup4库的基本使用（实现简单的网络爬虫）
Python:requests库、BeautifulSoup4库的基本使用（实现简单的网络爬虫）
一、requests库的基本使用
requests是python语言编写的简单易用的HTTP库，使用起来比urllib更加简洁方便。
requests是第三方库，使用前需要通过pip安装。
pip install requests
1.基本用法：
import requests
#以百度首页为例
response = requests.get('http://www.baidu.com')
#response对象的属性
print(response.status_code) # 打印状态码
print(response.url) # 打印请求url
print(response.headers) # 打印头信息
print(response.cookies) # 打印cookie信息
print(response.text) #以文本形式打印网页源码
print(response.content) #以字节流形式打印
运行后显示：
状态码：200 url：www.baidu.com #输出headers信息、cookie信息以及网页源码信息 <RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
2.各种请求方式（HTTP测试网站：http://httpbin.org/）
import requests
requests.get('http://httpbin.org/get')
requests.post('http://httpbin.org/post')
requests.put('http://httpbin.org/put')
requests.delete('http://httpbin.org/delete')
requests.head('http://httpbin.org/get')
requests.options('http://httpbin.org/get')
3.response对象的方法
json()：能够在HTTP响应内容中解析存在的JSON数据，方便解析HTTP的操作。
raise_for_status()：只要返回的请求状态status_code不是200，则产生异常。用于try-except语句。
requests会产生几种常用异常：
ConnectionError异常：网络异常，如DNS查询失败、拒绝连接等。
HTTPError异常：无效HTTP响应。
Timeout异常：请求URL超时。
TooManyRedirects异常：请求超过了设定的最大重定向次数。
获取一个网页的内容的函数建议使用如下代码：
def getHTMLText(url):
try:
r=requests.get(url,timeout=30)
r.raise_for_status()#如果状态不是200，抛出异常
r.encoding='utf-8'#无论原来用什么编码都改为utf-8
return r.text
except:
return ''
二、beautifulsoup4库的基本使用
beautifulsoup4库用于解析和处理HTML和XML。其最大优点是能根据HTML和XML语法建立解析树，提取有用信息。
beautifulsoup4也是第三方库，使用前同样需要通过pip安装。
pip install beautifulsoup4
注意：beautifulsoup4库和beautifulsoup库不能混为一谈，后者由于年久失修，已经不再维护了。
在使用beautifulsoup4库之前需要进行引用：
from bs4 import BeautifulSoup
使用BeautifulSoup()创建一个BeautifulSoup对象。
import requests
from bs4 import BeautifulSoup
r=requests.get('http://www.baidu.com')
r.encoding='utf-8'
soup=BeautifulSoup(r.text,'html.parser')
print(type(soup))
BeautifulSoup对象是一个树形结构，包含HTML页面中每一个Tag标签，这些标签构成BeautifulSoup对象的属性。BeautifulSoup对象常用属性如下：
soup.head：HTML页面的<head>内容
soup.title：HTML页面的标题内容，在<head>之中
soup.body：HTML页面的<body>内容
soup.p：HTML页面第一个<p>内容
soup.strings：HTML页面所有呈现在web上的字符串内容
soup.stripped_strings：HTML页面所有呈现在web上的非空格字符串内容
#输出百度首页title标签的内容
import requests
from bs4 import BeautifulSoup
r=requests.get('http://www.baidu.com')
r.encoding='utf-8'
soup=BeautifulSoup(r.text,'html.parser')
print(soup.title)
beautifulsoup4库中每一个Tag标签称为一个Tag对象，标签对象的常用属性如下：
name：标签本身的名称，是一个字符串，如a。
attrs：字典，包含了标签的全部属性。
contents：列表，包含当前标签下所有子标签的内容。
string：字符串，标签所包围的文本，网页中真实的文字。
import requests
from bs4 import BeautifulSoup
r=requests.get('http://www.baidu.com')
r.encoding='utf-8'
soup=BeautifulSoup(r.text,'html.parser')
print(soup.a)
print(soup.a.name)
print(soup.a.attrs)
print(soup.a.string)
print(soup.p.contents)
如果需要遍历整个HTML页面列出标签对应的所有内容，可以用到find_all()方法。
BeautifulSoup.find_all( name , attrs , recursive , string , limit )
根据参数找对应标签，返回类型为列表。参数如下：
name：根据标签名查找。
attrs：根据标签属性值查找，需要列出属性名和值，用JSON表示。
recursive：设置查找层次，只查找当前标签下一层时使用recursive=False。
string：根据关键字查找string属性内容，采用string=开始。
limit：返回结果个数，默认返回全部结果。
import requests
from bs4 import BeautifulSoup
#爬取前程无忧网软件工程师薪资
r=requests.get('https://m.51job.com/search/joblist.php?jobarea=180400,180200&keyword=%E8%BD%AF%E4%BB%B6%E5%B7%A5%E7%A8%8B%E5%B8%88&partner=webmeta')
r.encoding='utf-8'
soup=BeautifulSoup(r.text,'html.parser')
allsalary=soup.find_all('em')
for i in allsalary:
if len(i.text)==0:
continue
print(i.text)
Python:requests库、BeautifulSoup4库的基本使用（实现简单的网络爬虫）的更多相关文章
- 采用requests库构建简单的网络爬虫
Date: 2019-06-09 Author: Sun 我们分析格言网 https://www.geyanw.com/, 通过requests网络库和bs4解析库进行爬取此网站内容. 项目操作步 ...
- python3.6 urllib.request库实现简单的网络爬虫、下载图片
#更新日志:#0418 爬取页面商品URL#0421 更新 添加爬取下载页面图片功能#0423 更新 添加发送邮件功能# 优化 爬虫异常处理.错误页面及空页面处理# 优化 爬虫关键字黑名单.白名单,提 ...
- 【网络爬虫入门01】应用Requests和BeautifulSoup联手打造的第一条网络爬虫
[网络爬虫入门01]应用Requests和BeautifulSoup联手打造的第一条网络爬虫 广东职业技术学院 欧浩源 2017-10-14 1.引言 在数据量爆发式增长的大数据时代,网络与用户的沟 ...
- Python 基础教程 —— 网络爬虫入门篇
前言 Python 是一种解释型.面向对象.动态数据类型的高级程序设计语言,它由 Guido van Rossum 于 1989 年底发明,第一个公开发行版发行于 1991 年.自面世以后,Pytho ...
- python 3.x 爬虫基础---常用第三方库（requests，BeautifulSoup4，selenium，lxml ）
python 3.x 爬虫基础 python 3.x 爬虫基础---http headers详解 python 3.x 爬虫基础---Urllib详解 python 3.x 爬虫基础---常用第三方库 ...
- python怎么安装requests、beautifulsoup4等第三方库
零基础学习python最大的难题之一就是安装所有需要的软件,下面来简单介绍一下如何安装用pip安装requests.beautifulsoup4等第三方库: 方法/步骤 点击开始,在运行里 ...
- $python爬虫系列（2）—— requests和BeautifulSoup库的基本用法
本文主要介绍python爬虫的两大利器:requests和BeautifulSoup库的基本用法. 1. 安装requests和BeautifulSoup库 可以通过3种方式安装: easy_inst ...
- Python网络爬虫——BeautifulSoup4库的使用
使用requests库获取html页面并将其转换成字符串之后,需要进一步解析html页面格式,提取有用信息. BeautifulSoup4库,也被成为bs4库(后皆采用简写)用于解析和处理html和x ...
- 大概看了一天python request源码。写下python requests库发送 get,post请求大概过程。
python requests库发送请求时,比如get请求,大概过程. 一.发起get请求过程:调用requests.get(url,**kwargs)-->request('get', url ...
随机推荐
- 【CSS】309- 复习 CSS盒模型
点击上方"前端自习课"关注,学习起来~ 一.概念 CSS盒模型本质上是一个盒子,封装周围的HTML元素,它包括:外边距(margin).边框(border).内边距(padding ...
- 阿里最新38道Java面试题解析（MyBatis+消息队列+Redis）
一.谈谈你对 MyBatis 的理解? 1. Mybatis是一个半ORM(对象关系映射)框架,它内部封装了 JDBC,开发时只需要关注 SQL 语句本身,不需要花费精力去处理加载驱动.创建连接.创建 ...
- RocketMQ 整合 DLedger(多副本)即主从切换实现平滑升级的设计技巧
目录 1.阅读源码之前的思考 2.从 Broker 启动流程看 DLedger 2.1 构建 DefaultMessageStore 2.2 增加节点状态变更事件监听器 2.3 调用 DefaultM ...
- array、list和set相互转化的方法
这里总结一下Array.List和Set相互转化的方法. Array转化为List 将Array转化为List是使用Arrays.asList()方法. String[] arr= new Strin ...
- 手把手教你DIY尼康ML-L3红外遥控器
项目介绍 ML-L3是用于尼康部分型号相机的无线红外遥控器,可以通过红外方式来控制快门的释放,支持B门拍摄.官方售价100RMB左右,山寨版售价10RMB左右.虽然也能实现基本的遥控功能,但是功能还是 ...
- skyline加载arcgis发布的wms服务
function AddWMSLayer(LayerName) {var _WMSUrl =“http://10.0.4.141:6080/arcgis/services/poss1/MapServe ...
- i2c_msg 标志位 - repeat-start
i2c_msg标志位 路径:linux-2.6.38/include/linux/i2c.h I2C_M_IGNORE_NAK: 设置这个标志意味当前i2c_msg忽略I2C器件的ack和n ...
- 如何使用TG Pro for Mac的自定义控制功能完全覆盖系统
在某些情况下,可能需要完全覆盖系统风扇控制并使用自定义算法.通过将Auto Boost规则的强大功能与覆盖系统功能相结合,可以使用TG Pro.请记住,当风扇模式设置为Auto Boost时,这将完全 ...
- vue/cli新旧版本安装方式
一.老版本安装 Shift+鼠标右键 选择打开命令窗口 1.创建项目之前,需先确保本机已经安装node 在命令窗口中执行node -v npm -v 2.一般情况下用npm安装东西比较慢,可以使用淘 ...
- Git worktree 使用笔记【转】
gitworktree 本地仓库的多个分支在对应的文件夹内管理,能够减少很多操作,便捷高效~ 一 worktree 的基本概念和操作 再也不用克隆多个仓库啦!git worktree 一个 git 仓 ...