本系列为Python基础学习,原稿来源于 30-Days-Of-Python 英文项目,大奇主要是对其本地化翻译、逐条验证和补充,想通过30天完成正儿八经的系统化实践。此系列适合零基础同学,或仅了解Python一点知识,但又没有系统学习的使用者。总之如果你想提升自己的Python技能,欢迎加入《挑战30天学完Python》

  • Day 22
    • Python爬虫
    • 第22天练习

Day 22

Python爬虫

什么是数据抓取

互联网上充满了大量的数据,可以应用于不同的目的。为了收集这些数据,我们需要知道如何从一个网站抓取这些数据。

网络抓取本质上是从网站中提取和收集数据,并将其存储在本地机器或数据库中的过程。

在本节中,我们将使用 beautifulsoup 和 requests 包来抓取数据。

友情提醒:数据抓取不合法,本篇内容请仅用于测试和学习用。

如果你的Python环境中还没如下两个库,请用pip进行安装。

pip install requestspip install beautifulsoup4

要从网站抓取数据,需要对HTML标记和CSS选择器有基本的了解。我们使用HTML标签,类或id定位来自网站的内容。

首先导入 requests 和 BeautifulSoup 模块

import requestsfrom bs4 import BeautifulSoup

接着将需要抓取的网页地址赋值给一个url变量,以下我们以手机新浪首页为例子。

import requestsfrom bs4 import BeautifulSoupurl = 'http://wap.sina.cn/'# 让我们使用网络请求url,获取返回的数据response = requests.get(url)# 检查返回状态,200表示正常status = response.status_codeprint(status)
200

使用 beautifulSoup 解析页面内容。

import requestsimport refrom bs4 import BeautifulSoupurl = 'http://wap.sina.cn/'response = requests.get(url)# 获取请求页面的所有内容content = response.content# 加载成beautiful对象soup = BeautifulSoup(content, 'html.parser')#解析标题并打印print(soup.title)# 获取标题里内容print("《" + soup.title.get_text() + "》")# 网站整个页面# print(soup.body)# 寻找要闻片段(通过网页右键查看源代码)yaowen = soup.find(id="yaowen_defense")# 要闻对象中查找所有

标签,并循环获取概要标题for h2 in yaowen.find_all('h2'):print(h2.contents[0])

如果运行这段代码,可以看到提取到了所有的新闻标题。

本节只是抛砖隐喻,并不是python基础学习中核心部分。不过多展开,更多参考官方文档 beautifulsoup documentation

你如此有能力,每一天都在进步,挑战还剩余8天,加油!本篇内容虽少,但练习不能少。

第22天练习

  1. 抓取豆瓣电影排行版中电影前10个电影的基本信息 https://movie.douban.com/chart。
  2. 从Python网络爬虫靶场 http://www.spiderbuf.cn/ 选择任意一个无反扒的网站进行表数据获取。

练习参考:22_exercise.py

CONGRATULATIONS !

<>