基于Python实现web网页内容爬取的方法

在日常学习和工作中，我们经常会遇到需要爬取网页内容的需求，今天就如何基于Python实现web网页内容爬取进行讲解。

1. 网页分析

用Chrome浏览器打开网页（https://car.yiche.com/）并进行分析。

F12键打开开发者视图，如下所示：

在网页页面上想要查看的页面内容处，点击 右键->检查(inspect) ，开发者模式中会自动选中对应的HTML代码。

分析发现车牌的名字在 name=“div”, attrs={“class”: “item-brand”}里面

2. 获取网页信息

在Python中，我们可以使用 urllib.request 和 requests 这两个库来发送HTTP请求。这两个库都是用来处理URLs的，但是有一些区别。

2.1 使用默认的urllib.request库

urllib.request是Python标准库中的一个模块，用于处理URLs的打开，读取和下载。它提供了一个简单的接口来发送HTTP请求，并可以处理响应数据。

import urllib.request
from bs4 import BeautifulSoup
url = "https://car.yiche.com/"
page = urllib.request.urlopen(url)
soup = BeautifulSoup(page, "html.parser")
result_list = []
# 筛选数据
tag_list = soup.find_all(name="div", attrs={"class": "item-brand"})
for tag in tag_list:
    result_list.append(tag.attrs["data-name"])
print(result_list)

2.2 使用requests库

requests是一个第三方库，它提供了更简洁的API来发送HTTP请求，并处理响应数据。使用requests库可以更方便地发送各种类型的请求，如GET，POST等，并可以设置请求头，传递参数等。

首先在环境中安装 requests 库，命令如下：

pip install requests

from bs4 import BeautifulSoup
import requests
url = "https://car.yiche.com/"
req = requests.get(url=url)
soup = BeautifulSoup(req.content, "html.parser")
result_list = []
# 筛选数据
tag_list = soup.find_all(name="div", attrs={"class": "item-brand"})
for tag in tag_list:
    result_list.append(tag.attrs["data-name"])
print(result_list)

输出如下：

['奥迪', '埃安', 'AITO', '阿维塔', '阿斯顿·马丁', '阿尔法·罗密欧', 'AUDI', '阿莫迪罗', 'AUXUN傲旋', '爱驰', 'Apollo', 'ALPINA', 'Abarth', 'ABT', '阿尔特', '安凯客车', 'Aurus', 'Arash', '安徽猎豹', 'ATOM', '艾康尼克', 'ASKA', 'Alef', 'APEX', 'Agile Automotive', 'ATS', 'AKXY2', 'Alpine', 'Aspark', 'Aviar', 'AURA', 'AIM', 'Ariel', 'Aria', 'Atlis', 'Alpha Motor', 'AFEELA', 'AEHRA', 'AC Schnitzer', 'Adria', 'AZNOM', 'AEV ROBOTICS', '比亚迪', '奔驰', '本田', '宝马', '别克', '保时捷', '北京', '奔腾', '标致', '宝骏', '宾利', 'BAW北汽制造', '北京汽车', '布加迪', '博速', '巴菲特', '霸王龙', '奔驰卡车',.......]

2.3 urllib.request 和 requests库区别

urllib.request 和 requests 这两个库的主要区别如下：

• urllib.request是Python的标准库，而requests是第三方库，需要额外安装。
• urllib.request是比较底层的库，需要手动处理请求和响应，而requests提供了更高级的API，简化了请求和响应的处理。
• requests库更加简洁和易于使用，并提供了更多的功能，如自动处理重定向，会话管理等。

参考资料：python urllib.request和request的区别

3. 更改用户代理

在使用Python进行网页爬取时，许多网站会通过检查HTTP请求头中的User-Agent字段来识别发出请求的客户端类型。设置用户代理（User-Agent）是为了模仿真实浏览器的请求，避免被网站识别为自动化工具而遭封锁，同时确保获取完整的网页内容，并遵守网站的访问规则。

agent = {'User-Agent': 'Mozilla/5.0 (iPad; U; CPU OS 3_2_1 like Mac OS X; en-us) AppleWebKit / 531.21.10(KHTML, likeGecko) Mobile / 7B405'}
req = requests.get(url=url, headers=agent)

4. BeautifulSoup库筛选数据

BeautifulSoup库是一种HTML解析库，可以将HTML文档解析成Python对象，使得开发者可以方便地从HTML文档中提取数据。

首先需要安装 BeautifulSoup 库。

pip install BeautifulSoup4

4.1 soup.find()和soup.find_all() 函数

soup.find()和soup.find_all() 函数可以用来查找网页中特定的元素，区别在于：

• soup.find()查找到一次即停止
• soup.find_all() 可以查找到所有记录

soup.find()和soup.find_all() 函数的使用方式可参考：Python中bs4的soup.find()和soup.find_all()用法

参考资料

• Python中bs4的soup.find()和soup.find_all()用法
• 使用Python进行网页抓取

到此这篇关于基于Python实现web网页内容爬取的文章就介绍到这了,更多相关Python web网页内容爬取内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论