Python中怎么利用Beautifulsoup爬取網(wǎng)站

這篇文章將為大家詳細(xì)講解有關(guān)Python中怎么利用Beautifulsoup爬取網(wǎng)站，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個參考，希望大家閱讀完這篇文章后對相關(guān)知識有一定的了解。

1.開始前準(zhǔn)備

1.1 python3，本篇博客內(nèi)容采用python3來寫，如果電腦上沒有安裝python3請先安裝python3.

1.2 Request庫，urllib的升級版本打包了全部功能并簡化了使用方法。下載方法：

pip install requests

1.3 Beautifulsoup庫，  是一個可以從HTML或XML文件中提取數(shù)據(jù)的Python庫.它能夠通過你喜歡的轉(zhuǎn)換器實現(xiàn)慣用的文檔導(dǎo)航，查找,修改文檔的方式.。下載方法：

pip install beautifulsoup4

1.4  LXML，用于輔助Beautifulsoup庫解析網(wǎng)頁。(如果你不用anaconda，你會發(fā)現(xiàn)這個包在Windows下pip安裝報錯)下載方法：

pip install lxml

1.5 pycharm，一款功能強大的pythonIDE工具。下載官方版本后，使用license  sever免費使用(同系列產(chǎn)品類似)，具體參照http://www.cnblogs.com/hanggegege/p/6763329.html。

2.爬取過程演示與分析

from bs4 import BeautifulSoup  import os  import requests

導(dǎo)入需要的庫，os庫用來后期儲存爬取內(nèi)容。

隨后我們點開“***笑話”，發(fā)現(xiàn)有“全部笑話”這一欄，能夠讓我們***效率地爬取所有歷史笑話!

我們來通過requests庫來看看這個頁面的源代碼：

from bs4 import BeautifulSoup  import os  import requests  all_url = 'http://xiaohua.zol.com.cn/new/  headers = {'User-Agent':"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1"}  all_html=requests.get(all_url,headers = headers)  print(all_html.text)

header是請求頭，大部分網(wǎng)站沒有這個請求頭會爬取失敗

部分效果如下：

通過源碼分析發(fā)現(xiàn)我們還是不能通過此網(wǎng)站就直接獲取到所有笑話的信息，因此我們在在這個頁面找一些間接的方法。

點開一個笑話查看全文，我們發(fā)現(xiàn)此時網(wǎng)址變成了http://xiaohua.zol.com.cn/detail58/57681.html，在點開其他的笑話，我們發(fā)現(xiàn)網(wǎng)址部都是形如http://xiaohua.zol.com.cn/detail?/?.html的格式，我們以這個為突破口，去爬取所有的內(nèi)容

我們的目的是找到所有形如http://xiaohua.zol.com.cn/detail?/?.html的網(wǎng)址，再去爬取其內(nèi)容。

我們在“全部笑話”頁面隨便翻到一頁：http://xiaohua.zol.com.cn/new/5.html ，按下F12查看其源代碼，按照其布局發(fā)現(xiàn)  ：

每個笑話對應(yīng)其中一個<li>標(biāo)簽，分析得每個笑話展開全文的網(wǎng)址藏在href當(dāng)中，我們只需要獲取href就能得到笑話的網(wǎng)址

from bs4 import BeautifulSoup import os import requests all_url = 'http://xiaohua.zol.com.cn/new/   ' headers = {'User-Agent':"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1"} all_html=requests.get(all_url,headers = headers) #print(all_html.text) soup1 = BeautifulSoup(all_html.text,'lxml') list1=soup1.find_all('li',class_ = 'article-summary') for i in list1:     #print(i)     soup2 = BeautifulSoup(i.prettify(),'lxml')     list2=soup2.find_all('a',target = '_blank',class_='all-read')     for b in list2:         href = b['href']         print(href)

我們通過以上代碼，成功獲得***頁所有笑話的網(wǎng)址后綴：

也就是說，我們只需要獲得所有的循環(huán)遍歷所有的頁碼，就能獲得所有的笑話。

上面的代碼優(yōu)化后：

from bs4 import BeautifulSoup import os import requests all_url = 'http://xiaohua.zol.com.cn/new/5.html   ' def Gethref(url):     headers = { 'User-Agent': "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1"}     html = requests.get(url,headers = headers)     soup_first = BeautifulSoup(html.text,'lxml')     list_first = soup_first.find_all('li',class_='article-summary')     for i in list_first:         soup_second = BeautifulSoup(i.prettify(),'lxml')         list_second = soup_second.find_all('a',target = '_blank',class_='all-read')         for b in list_second:             href = b['href']             print(href) Gethref(all_url)

使用如下代碼，獲取完整的笑話地址url

from bs4 import BeautifulSoup import os import requests all_url = 'http://xiaohua.zol.com.cn/new/5.html   ' def Gethref(url):     list_href = []     headers = { 'User-Agent': "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1"}     html = requests.get(url,headers = headers)     soup_first = BeautifulSoup(html.text,'lxml')     list_first = soup_first.find_all('li',class_='article-summary')     for i in list_first:         soup_second = BeautifulSoup(i.prettify(),'lxml')         list_second = soup_second.find_all('a',target = '_blank',class_='all-read')         for b in list_second:             href = b['href']             list_href.append(href)     return list_href def GetTrueUrl(liebiao):     for i in liebiao:         url = 'http://xiaohua.zol.com.cn   '+str(i)         print(url) GetTrueUrl(Gethref(all_url))

簡單分析笑話頁面html內(nèi)容后，接下來獲取一個頁面全部笑話的內(nèi)容：

from bs4 import BeautifulSoup import os import requests all_url = 'http://xiaohua.zol.com.cn/new/5.html   ' def Gethref(url):     list_href = []     headers = { 'User-Agent': "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1"}     html = requests.get(url,headers = headers)     soup_first = BeautifulSoup(html.text,'lxml')     list_first = soup_first.find_all('li',class_='article-summary')     for i in list_first:         soup_second = BeautifulSoup(i.prettify(),'lxml')         list_second = soup_second.find_all('a',target = '_blank',class_='all-read')         for b in list_second:             href = b['href']             list_href.append(href)     return list_href def GetTrueUrl(liebiao):     list = []     for i in liebiao:         url = 'http://xiaohua.zol.com.cn   '+str(i)         list.append(url)     return list def GetText(url):     for i in url:         html = requests.get(i)         soup = BeautifulSoup(html.text,'lxml')         content = soup.find('div',class_='article-text')         print(content.text) GetText(GetTrueUrl(Gethref(all_url)))

效果圖如下：

現(xiàn)在我們開始存儲笑話內(nèi)容!開始要用到os庫了

使用如下代碼，獲取一頁笑話的所有內(nèi)容!

from bs4 import BeautifulSoup import os import requests all_url = 'http://xiaohua.zol.com.cn/new/5.html   ' os.mkdir('/home/lei/zol') def Gethref(url):     list_href = []     headers = { 'User-Agent': "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1"}     html = requests.get(url,headers = headers)     soup_first = BeautifulSoup(html.text,'lxml')     list_first = soup_first.find_all('li',class_='article-summary')     for i in list_first:         soup_second = BeautifulSoup(i.prettify(),'lxml')         list_second = soup_second.find_all('a',target = '_blank',class_='all-read')         for b in list_second:             href = b['href']             list_href.append(href)     return list_href def GetTrueUrl(liebiao):     list = []     for i in liebiao:         url = 'http://xiaohua.zol.com.cn   '+str(i)         list.append(url)     return list def GetText(url):     for i in url:         html = requests.get(i)         soup = BeautifulSoup(html.text,'lxml')         content = soup.find('div',class_='article-text')         title = soup.find('h2',class_ = 'article-title')         SaveText(title.text,content.text) def SaveText(TextTitle,text):     os.chdir('/home/lei/zol/')     f = open(str(TextTitle)+'txt','w')     f.write(text)     f.close() GetText(GetTrueUrl(Gethref(all_url)))

效果圖：

(因為我的系統(tǒng)為linux系統(tǒng)，路徑問題請按照自己電腦自己更改)

我們的目標(biāo)不是抓取一個頁面的笑話那么簡單，下一步我們要做的是把需要的頁面遍歷一遍!

通過觀察可以得到全部笑話頁面url為http://xiaohua.zol.com.cn/new/+頁碼+html,接下來我們遍歷前100頁的所有笑話，全部下載下來!

接下來我們再次修改代碼：

from bs4 import BeautifulSoup import os import requests num = 1 url = 'http://xiaohua.zol.com.cn/new/   '+str(num)+'.html' os.mkdir('/home/lei/zol') def Gethref(url):     list_href = []     headers = { 'User-Agent': "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1"}     html = requests.get(url,headers = headers)     soup_first = BeautifulSoup(html.text,'lxml')     list_first = soup_first.find_all('li',class_='article-summary')     for i in list_first:         soup_second = BeautifulSoup(i.prettify(),'lxml')         list_second = soup_second.find_all('a',target = '_blank',class_='all-read')         for b in list_second:             href = b['href']             list_href.append(href)     return list_href def GetTrueUrl(liebiao):     list = []     for i in liebiao:         url = 'http://xiaohua.zol.com.cn   '+str(i)         list.append(url)     return list def GetText(url):     for i in url:         html = requests.get(i)         soup = BeautifulSoup(html.text,'lxml')         content = soup.find('div',class_='article-text')         title = soup.find('h2',class_ = 'article-title')          SaveText(title.text,content.text) def SaveText(TextTitle,text):     os.chdir('/home/lei/zol/')     f = open(str(TextTitle)+'txt','w')     f.write(text)     f.close() while num<=100:     url = 'http://xiaohua.zol.com.cn/new/   ' + str(num) + '.html'     GetText(GetTrueUrl(Gethref(url)))     num=num+1

關(guān)于Python中怎么利用Beautifulsoup爬取網(wǎng)站就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。