Python:requests库、BeautifulSoup4库的基本使用（实现简单的网络爬虫）
Python:requests库、BeautifulSoup4库的基本使用（实现简单的网络爬虫）
一、requests库的基本使用
requests是python语言编写的简单易用的HTTP库，使用起来比urllib更加简洁方便。
requests是第三方库，使用前需要通过pip安装。
pip install requests
1.基本用法：
import requests #以百度首页为例 response = requests.get('http://www.baidu.com') #response对象的属性 print(response.status_code) # 打印状态码 print(response.url) # 打印请求url print(response.headers) # 打印头信息 print(response.cookies) # 打印cookie信息 print(response.text) #以文本形式打印网页源码 print(response.content) #以字节流形式打印
运行后显示：
状态码：200 url：www.baidu.com #输出headers信息、cookie信息以及网页源码信息 <RequestsCookieJar[<Cookie BDORZ=27315 for .baidu.com/>]>
2.各种请求方式（HTTP测试网站：http://httpbin.org/）
import requests requests.get('http://httpbin.org/get') requests.post('http://httpbin.org/post') requests.put('http://httpbin.org/put') requests.delete('http://httpbin.org/delete') requests.head('http://httpbin.org/get') requests.options('http://httpbin.org/get')
3.response对象的方法
json()：能够在HTTP响应内容中解析存在的JSON数据，方便解析HTTP的操作。
raise_for_status()：只要返回的请求状态status_code不是200，则产生异常。用于try-except语句。
requests会产生几种常用异常：
ConnectionError异常：网络异常，如DNS查询失败、拒绝连接等。
HTTPError异常：无效HTTP响应。
Timeout异常：请求URL超时。
TooManyRedirects异常：请求超过了设定的最大重定向次数。
获取一个网页的内容的函数建议使用如下代码：
def getHTMLText(url): try: r=requests.get(url,timeout=30) r.raise_for_status()#如果状态不是200，抛出异常 r.encoding='utf-8'#无论原来用什么编码都改为utf-8 return r.text except: return ''
二、beautifulsoup4库的基本使用
beautifulsoup4库用于解析和处理HTML和XML。其最大优点是能根据HTML和XML语法建立解析树，提取有用信息。
beautifulsoup4也是第三方库，使用前同样需要通过pip安装。
pip install beautifulsoup4
注意：beautifulsoup4库和beautifulsoup库不能混为一谈，后者由于年久失修，已经不再维护了。
在使用beautifulsoup4库之前需要进行引用：
from bs4 import BeautifulSoup
使用BeautifulSoup()创建一个BeautifulSoup对象。
import requests from bs4 import BeautifulSoup r=requests.get('http://www.baidu.com') r.encoding='utf-8' soup=BeautifulSoup(r.text,'html.parser') print(type(soup))
BeautifulSoup对象是一个树形结构，包含HTML页面中每一个Tag标签，这些标签构成BeautifulSoup对象的属性。BeautifulSoup对象常用属性如下：
soup.head：HTML页面的<head>内容
soup.title：HTML页面的标题内容，在<head>之中
soup.body：HTML页面的<body>内容
soup.p：HTML页面第一个<p>内容
soup.strings：HTML页面所有呈现在web上的字符串内容
soup.stripped_strings：HTML页面所有呈现在web上的非空格字符串内容
#输出百度首页title标签的内容 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.title)
beautifulsoup4库中每一个Tag标签称为一个Tag对象，标签对象的常用属性如下：
name：标签本身的名称，是一个字符串，如a。
attrs：字典，包含了标签的全部属性。
contents：列表，包含当前标签下所有子标签的内容。
string：字符串，标签所包围的文本，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.name) print(soup.a.attrs) print(soup.a.string) print(soup.p.contents)
如果需要遍历整个HTML页面列出标签对应的所有内容，可以用到find_all()方法。
BeautifulSoup.find_all( name , attrs , recursive , string , limit )
根据参数找对应标签，返回类型为列表。参数如下：
name：根据标签名查找。
attrs：根据标签属性值查找，需要列出属性名和值，用JSON表示。
recursive：设置查找层次，只查找当前标签下一层时使用recursive=False。
string：根据关键字查找string属性内容，采用string=开始。
limit：返回结果个数，默认返回全部结果。
import requests from bs4 import BeautifulSoup #爬取前程无忧网软件工程师薪资 r=requests.get('https://m.51job.com/search/joblist.php?jobarea=180400,180200&keyword=%E8%BD%AF%E4%BB%B6%E5%B7%A5%E7%A8%8B%E5%B8%88&partner=webmeta') r.encoding='utf-8' soup=BeautifulSoup(r.text,'html.parser') allsalary=soup.find_all('em') for i in allsalary: if len(i.text)==0: continue print(i.text)
