[實戰演練]python3使用requests模組爬取頁面內容

標籤：www.   arc   使用   load   一起   pytho   二進位   ext   沒有   

本文摘要：1.安裝pip2.安裝requests模組3.安裝beautifulsoup44.requests模組淺析    + 發送請求 + 傳遞URL參數    + 響應內容    + 擷取網頁編碼    + 擷取響應狀態代碼5.案例示範後記

 

1.安裝pip

我的個人桌面系統用的linuxmint，系統預設沒有安裝pip，考慮到後面安裝requests模組使用pip，所以我這裡第一步先安裝pip。

$ sudo apt install python-pip

安裝成功，查看PIP版本：

$ pip -V

2.安裝requests模組

這裡我是通過pip方式進行安裝：

$ pip install requests

安裝requests

運行import requests，如果沒提示錯誤，那說明已經安裝成功了！

檢驗是否安裝成功
3.安裝beautifulsoup4

Beautiful Soup 是一個可以從HTML或XML檔案中提取資料的Python庫。它能夠通過你喜歡的轉換器實現慣用的文檔導航，尋找、修改文檔的方式。Beautiful Soup會幫你節省數小時甚至數天的工作時間。

$ sudo apt-get install python3-bs4

註：這裡我使用的是python3的安裝方式，如果你用的是python2,可以使用下面命令安裝。

$ sudo pip install beautifulsoup4

4.requests模組淺析

1）發送請求

首先當然是要匯入 Requests 模組：

>>> import requests

然後，擷取目標抓取網頁。這裡我以簡書為例：

>>> r = requests.get(‘http://www.cnblogs.com/chanzhi/p/7542447.html‘)

這裡返回一個名為 r 的響應對象。我們可以從這個對象中擷取所有我們想要的資訊。這裡的get是http的回應程式法，所以舉一反三你也可以將其替換為put、delete、post、head。

2）傳遞URL參數

有時我們想為 URL 的查詢字串傳遞某種資料。如果你是手工構建 URL，那麼資料會以鍵/值對的形式置於 URL 中，跟在一個問號的後面。例如， cnblogs.com/get?key=val。 Requests 允許你使用 params 關鍵字參數，以一個字串字典來提供這些參數。

舉例來說，當我們google搜尋“python爬蟲”關鍵詞時，newwindow(新視窗開啟)、q及oq(搜尋關鍵詞)等參數可以手工組成URL ，那麼你可以使用如下代碼：

>>> payload = {‘newwindow‘: ‘1‘, ‘q‘: ‘python爬蟲‘, ‘oq‘: ‘python爬蟲‘}

>>> r = requests.get("https://www.google.com/search", params=payload)

 

3）響應內容

通過r.text或r.content來擷取頁面響應內容。

>>> import requests

>>> r = requests.get(‘https://github.com/timeline.json‘)

>>> r.text

Requests 會自動解碼來自伺服器的內容。大多數 unicode 字元集都能被無縫地解碼。這裡補充一點r.text和r.content二者的區別，簡單說：

resp.text返回的是Unicode型的資料；

resp.content返回的是bytes型也就是二進位的資料；

所以如果你想取文本，可以通過r.text，如果想取圖片，檔案，則可以通過r.content。

4）擷取網頁編碼

>>> r = requests.get(‘http://www.cnblogs.com/‘)

>>> r.encoding

‘utf-8‘

 

5）擷取響應狀態代碼

我們可以檢測響應狀態代碼：

>>> r = requests.get(‘http://www.cnblogs.com/‘)

>>> r.status_code

200

5.案例示範

最近公司剛引入了一款OA系統，這裡我以其官方說明文檔頁面為例，並且只抓取頁面中文章標題和內容等有用資訊。

示範環境

作業系統：linuxmint

python版本：python 3.5.2

使用模組：requests、beautifulsoup4

 

代碼如下：

 

 1 #!/usr/bin/env python 2 # -*- coding: utf-8 -*- 3 _author_ = ‘GavinHsueh‘ 4  5 import requests 6 import bs4 7  8 #要抓取的目標頁碼地址 9 url = ‘http://www.ranzhi.org/book/ranzhi/about-ranzhi-4.html‘10 11 #抓取頁碼內容，返迴響應對象12 response = requests.get(url)13 14 #查看響應狀態代碼15 status_code = response.status_code16 17 #使用BeautifulSoup解析代碼,並鎖定頁碼指定標籤內容18 content = bs4.BeautifulSoup(response.content.decode("utf-8"), "lxml")19 element = content.find_all(id=‘book‘)20 21 print(status_code)22 print(element)

 

程式運行返回爬去結果：

抓取成功

關於爬去結果亂碼問題

其實起初我是直接用的系統預設內建的python2操作的，但在抓取返回內容的編碼亂碼問題上折騰了老半天，google了多種解決方案都無效。在被python2“整瘋“之後，只好老老實實用python3了。對於python2的爬取頁面內容亂碼問題，歡迎各位前輩們分享經驗，以協助我等後生少走彎路。

後記

python的爬蟲相關模組有很多，除了requests模組，再如urllib和pycurl以及tornado等。相比而言，我個人覺得requests模組是相對簡單易上手的了。通過文本，大家可以迅速學會使用python的requests模組爬取頁碼內容。本人能力有限，如果文章有任何錯誤歡迎不吝賜教，其次如果大家有任何關於python爬去頁面內容的疑難雜問，也歡迎和大家一起交流討論。

 

我們共同學習，共同交流，共同進步！

參考：

https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#

http://cn.python-requests.org/zh_CN/latest/

[實戰演練]python3使用requests模組爬取頁面內容