python用BeautifulSoup库简单爬虫实例分析

2023-09-09 16:44:04 376

会用到的功能的简单介绍

1、frombs4importBeautifulSoup

#导入库

2、请求头herders

headers={'User-Agent':'Mozilla/5.0(WindowsNT6.3;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/57.0.2987.110Safari/537.36','referer':"www.mmjpg.com"}
all_url='http://www.mmjpg.com/'
'User-Agent':请求方式
'referer':从哪个链接跳转进来的

3、建立连接

start_html=requests.get(all_url,headers=headers)
all_url：起始的地址，也就是访问的第一个页面
headers：请求头，告诉服务器是谁来了。
requests.get：一个方法能获取all_url的页面内容并且返回内容。

4、解析获取的页面

Soup=BeautifulSoup(start_html.text,'lxml')
BeautifulSoup：解析页面
lxml：解析器
start_html.text：页面的内容

5、处理获取的页面

all_a=Soup.find('div',class_='pic').find_all('a')[-2]
Soup.find（）查找某一个
find_all（）查找所有的，返回一个列表
.find('img')['src']：获取img的src链接属性
class__:获取目标的类名
div/a:类型条件为div/a的
[-2]可以用来去掉最后多匹配的标签，这里表示去掉最后两个a标签

6、获取目标内容

内容
a[i]/get_text():获取第i个a标签里面的内容

7、可能用到的其他功能介绍：

1、文件夹创建与切换

os.makedirs(os.path.join("E:\name",filename))
#在目录E:\name下创建名为filename的文件夹
os.chdir("E:\name\\"+filename)
#切换工作路径到E:\name\filename下

2、文件保存

f=open(name+'.jpg','ab')##写入多媒体文件必须要b这个参数！
f.write(img.content)##多媒体文件要是用conctent！
f.close()

案例：爬取妹纸图


importrequests
frombs4importBeautifulSoup
importos
#导入所需要的模块
classmzitu():
defall_url(self,url):
html=self.request(url)##
all_a=BeautifulSoup(html.text,'lxml').find('div',class_='all').find_all('a')
forainall_a:
title=a.get_text()
print('------开始保存：',title)
path=str(title).replace("?",'_')##替换掉带有的？
self.mkdir(path)##调用mkdir函数创建文件夹！这儿path代表的是标题title
href=a['href']
self.html(href)

defhtml(self,href):##获得图片的页面地址
html=self.request(href)
max_span=BeautifulSoup(html.text,'lxml').find('div',class_='pagenavi').find_all('span')[-2].get_text()
#这个上面有提到
forpageinrange(1,int(max_span)+1):
page_url=href+'/'+str(page)
self.img(page_url)##调用img函数

defimg(self,page_url):##处理图片页面地址获得图片的实际地址
img_html=self.request(page_url)
img_url=BeautifulSoup(img_html.text,'lxml').find('div',class_='main-image').find('img')['src']
self.save(img_url)

defsave(self,img_url):##保存图片
name=img_url[-9:-4]
img=self.request(img_url)
f=open(name+'.jpg','ab')
f.write(img.content)
f.close()

defmkdir(self,path):##创建文件夹
path=path.strip()
isExists=os.path.exists(os.path.join("E:\mzitu2",path))
ifnotisExists:
print('建了一个名字叫做',path,'的文件夹！')
os.makedirs(os.path.join("E:\mzitu2",path))
os.chdir(os.path.join("E:\mzitu2",path))##切换到目录
returnTrue
else:
print(path,'文件夹已经存在了！')
returnFalse

defrequest(self,url):##这个函数获取网页的response然后返回
headers={
'User-Agent':'Mozilla/5.0(WindowsNT6.3;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/57.0.2987.110Safari/537.36',
'referer':#伪造一个访问来源"http://www.mzitu.com/100260/2"
}
content=requests.get(url,headers=headers)
returncontent
#设置启动函数
defmain():
Mzitu=mzitu()##实例化
Mzitu.all_url('http://www.mzitu.com/all')##给函数all_url传入参数

main()

python用BeautifulSoup库简单爬虫实例分析

热门推荐

随机推荐