大家好,我是小帅
今天给大家来点最简单的爬虫案例,后续我会再给大家更新一些爬虫相关技能点,请持续关注,另外你的三连是对小帅最大的支持 不过声明一下小帅 发的所有案例都是供大家学习的,不要随便乱用,或者作为商用!
目录
- 前言
-
- 1.1 建立 imoocSpider.py 文件
- 1.2 定义网址变量
- 1.3 创建请求头部
- 1.4 发起请求
- 1.5 解析请求结果
- 1.6 解析数据
- 1.7 最终代码
- 小结
前言
我们第一个爬虫程序,是来爬取某视频网的所有教程信息的名字。下面的代码锁使用到的技术有的我们并没有涉及到,后面的学习中我们会一一讲解。 这里只是让大家对爬虫程序有个大概的了解,熟悉最基本的爬虫流程,以及对爬虫处理有一个粗略的印象,同时,也是激发大家学习的热情,让大家对爬虫不仅停留在理论上,也可以实际操作去加深印象。
还有一些小案例,25个游戏源码 点击前面蓝色字体自取
1.1 建立 imoocSpider.py 文件
爬虫文件的命名一定要准确,爬虫爬取的是哪一个网站就用哪一个网站来进行命名,这样以后我们写的爬虫越来越多会方便管理。
文件创建好之后首先导入 requests 第三方库和页面解析工具 BeautifulSoup:
import requests # requests库,用来发送网络请求 from bs4 import BeautifulSoup # 一个解析库,用来解析网页结构
Tips:BeautifulSoup 我们在后面会讲到,这里只是先用一下。
1.2 定义网址变量
定义网址变量 url,url 中存储的是我们要爬取的网站
url = “https://www.imooc.com” #某课网首页地址
1.3 创建请求头部
创建请求头部,因为服务器会分辨请求的是浏览器或者是爬虫,如果是爬虫的话会直接断开请求,导致请求失败。为了不让我们的爬虫暴露,所以要给它加上一层伪装,这样服务器就会认为是浏览器在请求了:
headers = {‘User-Agent’ : ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.79 Safari/537.36’} # 请求头部
1.4 发起请求
使用 requests 库中的 get 方法来进行请求:
r = requests.get(url, headers= headers) # 发送请求
1.5 解析请求结果
因为请求的结果是 HTML 格式的,所以我们使用 BeautifulSoup 来解析我们的请求结果:
bs = BeautifulSoup(r.text, “html.parser”) # 解析网页
在返回的请求结果中,我们想要的数据都是在 h3 标签中包裹着,所以我们使用 BeautifulSoup 查找返回结果中所有的 h3 标签并剥离,存储在变量 mooc_classes 中。
mooc_classes = bs.find_all(“h3”, class_=“course-card-name”) # 定位教程信息
1.6 解析数据
将每一个 h3 标签中的课程名称剥离,并存储在 class_list 这个列表中去,最后将课程信息存入到文本文件中:
class_list = [] for i in range(len(mooc_classes)): title = mooc_classes[i].text.strip() class_list.append(“课程名称 : {} \n”.format(title)) #格式化教程信息 with open(‘mooc_classes.txt’, “a+”) as f: # 将教程信息写入文本文件中 for text in class_list: f.write(text)
1.7 最终代码
下面就是我们这个小爬虫的最终代码:
实例演示
import requests # requests库,用来发送网络请求 from bs4 import BeautifulSoup # 这是一个解析库,用来解析网页 url = “https://www…….com” #教程网首页地址 headers = {‘User-Agent’ : ‘Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.79 Safari/537.36’} # 请求头部 r = requests.get(url, headers= headers) # 发送请求 bs = BeautifulSoup(r.text, “html.parser”) # 解析网页 mooc_classes = bs.find_all(“h3”, class_=“course-card-name”) # 定位教程信息 class_list = [] for i in range(len(mooc_classes)): title = mooc_classes[i].text.strip() class_list.append(“课程名称 : {} \n”.format(title)) #格式化教程信息 with open(‘mooc_classes.txt’, “a+”) as f: # 将教程信息写入文本文件中 for text in class_list: f.write(text)
**上面的程序,就是一个最简单的一个爬虫程序。**最后,我们格式化输出的样式,使得输出格式为 教程名称+教程网名称的样式,最后把结果保存到一个 TXT 文件里面。最后我们打开 TXT 文件看一下效果:
小结
本小节,通过运用 BeautifulSoup 以及 Requests 实现了一个最简单的爬虫程序,关于它们的学习,我们会在后面的章节进行详细论述。这个小程序,只是向大家演示一个最基本的爬虫的工作流程。细心的同学肯定会发现,我们的代码量并不是很多,就轻松实现了一个简单的爬取工作。其实,正式因为使用Python 编写爬虫程序的简单方便,才使得 Python 语言成为了写爬虫程序的首选。
↓ ↓ ↓ ↓ 底下名片拿源码还有学习路线等等…↓ ↓ ↓ ↓????
神龙|纯净稳定代理IP免费测试>>>>>>>>天启|企业级代理IP免费测试>>>>>>>>IPIPGO|全球住宅代理IP免费测试