一、requests库的基本使用

requestspython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HTMLXML。其最大优点是能根据HTMLXML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))

 Python:requests库、BeautifulSoup4库的基本使用(实现简单的网络爬虫)

 

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.headHTML页面的<head>内容

soup.titleHTML页面的标题内容,在<head>之中

soup.bodyHTML页面的<body>内容

soup.pHTML页面第一个<p>内容

soup.stringsHTML页面所有呈现在web上的字符串内容

soup.stripped_stringsHTML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)

 Python:requests库、BeautifulSoup4库的基本使用(实现简单的网络爬虫)

 

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)

 Python:requests库、BeautifulSoup4库的基本使用(实现简单的网络爬虫)

 

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)