前言

网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。聚焦爬虫的工作流程较为复杂，需要根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的URL队列。然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述过程，直到达到系统的某一条件时停止。另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索；对于聚焦爬虫来说，这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。

我们知道，网络爬虫应用一般分为两个步骤：

　　1.通过网页链接获取内容；

　　2.对获得的网页内容进行处理

这两个步骤需要分别使用不同的函数库：requests和beautifulsoup4。所以我们要安装这两个第三方库。

我所用的编辑器是 Pycharm，它带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具，比如调试、语法高亮、Project管理、代码跳转、智能提示、自动完成等。本次安装第三方库是在Pycharm下进行安装的。

Pychram安装第三方库

安装第三方库有很多方法，我这里用的是Pycharm自带功能进行下载安装：（当然也可以用pip方法进行安装）

打开：File→Settings→Project: cc(这里的文件名是cc)→Project Interpreter ，就会显示你已经安装好的库。

这里我已经安装好了requests和beautifulsoup4库，所以下图显示出来了。

点击“+”，在弹出的搜索框中输入要安装第三方库的名称，例如“requests”。

在弹出的选项中选中需要安装的库后，点击“Install Package”。待下载完成后就安装成功了。

同理，安装beautifulsoup4时，在搜索框里搜索“beautifulsoup4”，进行安装就可以了。

下面介绍一下第三方库：

requests库

requests库是一个简洁且简单的处理HTTP请求的第三方库，它的最大优点是程序编写过程更接近正常URL访问过程。这个库建立在Python语言的urllib3库的基础上，类似这种在其他函数库之上再封装功能、提供更友好函数的方式在Python 语言中十分常见。

requests库支持非常丰富的链接访问功能，包括国际域名和URL获取、HTTP长连接和连接缓存、HTTP会话和Cookie保持、浏览器使用风格的SSL验证、基本的摘要认证、有效的键值对Cookie记录、自动解压缩、自动内容解码、文件分块上传、HTTP(S)代理功能、连接超时处理、流数据下载等。

如何使用requests库？requests库提供了一些常用函数如下：

requests库中的网页请求函数

属性	描述
get(url, [timeout=n])	对应于HTTP的GRT方式，获取网页最常用的方法，可以增加timeout=n参数，设定每次请求超时时间为n秒
post(url,data={''key}:''value)	对应于HTTP的DELETE方式
delete(url)	对应于HTTP的HEAD方式
head(url)	对应于HTTP的HEAD方式
option(url)	对应于HTTP的OPTION方式
put(url,data={'key':'value'})	对应于HTTP的PUT方式，其中字典用于传递客户数据

一般运用这些函数的方法是requests.函数名()，不同的函数有不同的功能。

import requests
r = requests.get("http://www.baidu.com/")
r.encoding = "utf-8"　　#编码方式为utf-8,不加的话会出现中文乱码
print(r.text)

代码运行结果为：

和浏览器的交互过程一样，用requests.get()代表请求，它返回的Response代表响应。返回的内容作为一个对象更便于操作，下面是Response对象的属性：

Response对象的属性
属性	描述
status_code	HTTP请求的返回状态，整数，200表示连接成功，404表示失败
text	HTTP响应内容的字符串形式，即url对应的页面内容
encoding	HTTP响应内容的编码方式
content	HTTP响应内容的二进制形式

Response对象还有一些方法。

Response对象的方法
属性	描述
json()	如果HTTP响应内容包括JSON格式数据，则该方法解析JSON数据
raise_for_status()	如果不是200，则产生异常

使用requests 库获取HTML页面并将其转换成字符串后，需要进一步解析HTML页面格式，提取有用信息，这需要处理HTML和XML的函数库。

beautifulsoup4库

　　beautifulsoup4库，也称为Beautiful Soup 库或bs4库，用于解析和处理HTML和XML。需要注意的是，它不是BeautifulSoup库。它的最大优点是能根据HTML和XML语法建立解析树，进而高效解析其中的内容。

　　HTML建立的Web页面一般非常复杂，除了有用的内容信息外，还包括大量用于页面格式的元素，直接解析一个Web网页需要深入了解HTML语法，而且比较复杂。beautifulsoup4 库将专业的Web页面格式解析部分封装成函数，提供了若干有用且便捷的处理函数。

　　beautifulsoup4库采用面向对象思想实现，简单地说，它把每个页面当作一个对象，通过<a>.<b>的方式调用对象的属性(即包含的内容)，或者通过<a>.<b>0的方式调用方法(即处理函数)。在使用beautifulsoup4库之前，需要进行引用，由于这个库的名字非常特殊且采用面向对象方式组织，可以用from-import方式从库中直接引用BeautifulSoup 类。

例如：

from bs4 import BeautifulSoup

HTML中主要结构都变成了BeautifulSoup对象的一个属性，可以通过<a>.<b>获得，下面是BeautifulSoup中常用的一些属性：

BeautifulSoup对象的常用属性
属性	描述
head	HTML页面的<head>内容
title	HTML页面标题，在<head>之中，由<title>标记
body	HTML页面的<body>内容
p	HTML页面中第一个<p>内容
strings	HTML页面所有呈现在Web上的字符串，即标签上的内容
stripped_strings	HTML页面所有呈现在Web上的非空格字符串

import requests
from bs4 import BeautifulSoup
r = requests.get("http://www.baidu.com/")
r.encoding = "utf-8"
soup = BeautifulSoup(r.text,"html.parser")    #一定要加"html.parser",告诉编译器解码方式

print(soup.head)
print(soup.title)
print(soup.strings)

结果如下：

BeautifulSoup属性与HTML属性的标签名称相同。每一个Tag标签在beautifulsoup4库中也是一个对象，成为Tag对象。所以可以通过Tag对象的属性多的相应的内容，Tag对象的属性如下所示：

标签对象的常用属性
属性	描述
name	字符串，标签的名字，比如div
attrs	字典，包含了原来页面Tag所有的属性，比如href
contents	列表，这个Tag下所有子Tag的内容
string	字符串，Tag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.string)

结果如下：

由于HTML语法可以在标签中嵌套其他标签，所以，string 属性的返回值遵循如下原则。

　　(1)如果标签内部没有其他标签，string 属性返回其中的内容。　　

　　(2)如果标签内部还有其他标签，但只有一个标签，string 属性返回最里面标签的内容。　　

　　(3)如果标签内部有超过1层嵌套的标签，string 属性返回None (空字符串)。HTML语法中同一个标签会有很多内容，例如<a>标签,百度首页一共有13处，直接调用soup.a只能返回第一个。

讲解就到这里了，如果大家有兴趣还可以自己查询资料深入了解一下！

python-配置爬虫环境

前言

Pychram安装第三方库

requests库

beautifulsoup4库

猜你喜欢