用pycharm进行python爬虫的步骤_使用Pycharm写一个网络爬虫
在初步了解网络爬虫之后,我们接下来就要动手运用Python来爬取网页了。
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
函数
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。
importrequests
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
importrequests
r=requests.get("http://www.baidu.com/")print(r.status_code)print(r.text)print(r.encoding)print(r.content)
运行结果如下,可以看到爬取网页的一系列信息。
Response对象还有一些方法。
Response对象的方法
方法
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.的方式调用对象的属性(即包含的内容),或者通过
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.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
内容
title
HTML页面标题,在
之中,由标记
body
HTML页面的
内容
p
HTML页面中第一个
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
importrequestsfrom bs4 importBeautifulSoup
r=requests.get("http://www.baidu.com/")
r.encoding="utf-8"soup=BeautifulSoup(r.text)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
importrequestsfrom bs4 importBeautifulSoup
r=requests.get("http://www.baidu.com/")
r.encoding="utf-8"soup=BeautifulSoup(r.text)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,例如标签,百度首页一共有13处,直接调用soup.a只能返回第一个。
遇到的问题:
1.在Pycharm使用Python爬取网页时,爬取的网页源码显示在一行,网页源码没有换行。
例如:
importrequests
r=requests.get("http://www.baidu.com/")
r.encoding="utf-8"
print(r.text)
运行上述代码,你会发现你爬取的网页源码显示在一行内。
解决办法:点击箭头所指的按钮,控制台就会自动换行了。
2.Pycharm在安装好第三方库时,在新建一个项目时,你会发现之前已经安装的第三方库不能使用。
新建一个项目,你会发现它没有之前安装的第三方库了
这时,你可以点击下拉框,再在下拉框中选择“show all”
这时,你可以找到上一个你已经安装好第三方库的项目,选中然后确认
再点击确定
然后运行代码,你就会发现可以使用第三方库了
用pycharm进行python爬虫的步骤_使用Pycharm写一个网络爬虫相关推荐
- 用c语言写一个网络爬虫
(同步个人博客 http://sxysxy.org/blogs/28 到csdn 写一个网络爬虫 写一个网络爬虫,来获取一个网站上感兴趣的信息. 最基本的模型 就是图.每个页面看作一个节点,若页面A有 ...
- 用pycharm进行python爬虫的步骤_在Pycharm中运行Scrapy爬虫项目的基本操作
目标在Win7上建立一个Scrapy爬虫项目,以及对其进行基本操作.运行环境:电脑上已经安装了python(环境变量path已经设置好), 以及scrapy模块,IDE为Pycharm .操作如下: ...
- 用Python写一个网络爬虫爬取网页中的图片
写一个爬虫爬取百度贴吧中一个帖子图片 网址:壁纸 用谷歌浏览器的开发工具检查网页,可以发现其每一张图片都有如下格式 <img class="BDE_Image" src=&q ...
- java用爬虫爬一个页面_使用Java写一个简单爬虫爬取单页面
使用Java爬虫爬取人民日报公众号页面图片 使用Java框架Jsoup和HttpClient实现,先看代码 爬取目标页面 1.使用Maven构建一个普通Java工程 加入依赖: org.jsoup j ...
- python数字华容道算法_用React写一个数字华容道,你需要知道的秘密
还在上班?很无聊? 这个叫前言 年末了.哦,不,要过年了.以前只能一路站到公司的我,今早居然是坐着过来的.新的一年,总要学一个新东西来迎接新的未来吧,所以选择了一直未碰的那个据说是全宇宙最牛逼的前端框 ...
- 用python制作勒索病毒_用c写一个小勒索病毒(用B站来学习)
前言: 这里是根据B站上的一个视频,看着教学写的,一下是我对代码的分块解析记录,方便想入门写病毒和反病毒小工具的人学习. 准备 vc++2013 b站学习视频 新建项目 我就是一开始新建项目都不清楚, ...
- python迷宫万花筒代码_用Python3写一个走迷宫的小程序(图形化:matplotlib,dfs,prim)...
先看一下动态效果图(慢放): 首先生成迷宫: 主要用了两个算法:Prim和dfs 总结:Prim生成的比较像真正的迷宫,所以默认用了Prim生成迷宫 先输入n,m,会生成一个迷宫(prim生成),然后 ...
- 【nodejs爬虫】使用async控制并发写一个小说爬虫
最近在做一个书城项目,数据用爬虫爬取,百度了一下找到这个网站,以择天记这本小说为例. 爬虫用到了几个模块,cheerio,superagent,async. superagent是一个http请求模块 ...
- Python安装教程步骤3:Pycharm和Anaconda3安装及环境配置相关问题汇总
本文针对Pycharm和Anaconda的安装和Windows中创建虚拟环境安装Pytorch并在PyCharm中配置虚拟环境两个帖子出现的主要问题进行了汇总和解决. Pycharm和Anaconda ...
最新文章
- select子查询多个字段_SQL复杂查询
- 知乎进化:对抗内容“熵增”胜算几何?
- JAVE amr转换mp3
- Ubuntu 下 matplotlib 中文乱码
- python之常用快捷键
- Photoshop定义画笔选区为空的原因
- iPhone se2如何实现快充?
- xlsx的python处理
- Intel CPU的型号漫谈
- c语言 fflush stdin,C语言函数:fflush(stdin)
- python刷网易云_Python脚本用于定时关闭网易云音乐PC客户端
- 关于JAVA外包的解释及优劣势
- 【CG物理模拟】风筝模拟
- 经典面试智力题和解答
- 如何在Mac上刻录DVD以获取可播放的视频?
- Fiddler抓包Android手机https、http教程
- java 8 Collectors.toMap 重复key 值处理、value为null处理
- win_server_2008x64升级powershell到4.0
- 三十七 我在软件园的那些日子里
- python随机生成正态分布_正态分布数据随机生成工具