python用BeautifulSoup庫簡(jiǎn)單爬蟲實(shí)例分析

更新時(shí)間：2018年07月30日 09:21:12 作者：segmentfault

文章給大家分享了關(guān)于python爬蟲的相關(guān)實(shí)例以及相關(guān)代碼，有興趣的朋友們參考下。

會(huì)用到的功能的簡(jiǎn)單介紹

1、from bs4 import BeautifulSoup

#導(dǎo)入庫

2、請(qǐng)求頭herders

headers={'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36','referer':"www.mmjpg.com" }
all_url = 'http://www.mmjpg.com/' 
'User-Agent':請(qǐng)求方式 
'referer':從哪個(gè)鏈接跳轉(zhuǎn)進(jìn)來的

3、建立連接

start_html = requests.get(all_url, headers=headers)
all_url：起始的地址，也就是訪問的第一個(gè)頁面
headers：請(qǐng)求頭，告訴服務(wù)器是誰來了。
requests.get：一個(gè)方法能獲取all_url的頁面內(nèi)容并且返回內(nèi)容。

4、解析獲取的頁面

Soup = BeautifulSoup(start_html.text, 'lxml')
BeautifulSoup：解析頁面
lxml：解析器
start_html.text：頁面的內(nèi)容

5、處理獲取的頁面

all_a = Soup.find('div', class_='pic').find_all('a')[-2]
Soup.find（）查找某一個(gè)
find_all（）查找所有的，返回一個(gè)列表
.find('img')['src']  ：獲取img的src鏈接屬性  
class__:獲取目標(biāo)的類名
div/a:類型條件為div/a的
[-2]可以用來去掉最后多匹配的標(biāo)簽，這里表示去掉最后兩個(gè)a標(biāo)簽

6、獲取目標(biāo)內(nèi)容

<a href =# >內(nèi)容</a>
a[i]/get_text():獲取第i個(gè)a標(biāo)簽里面的內(nèi)容

7、可能用到的其他功能介紹：

1、文件夾創(chuàng)建與切換

os.makedirs(os.path.join("E:\name", filename))
#在目錄E:\name下創(chuàng)建名為filename的文件夾
os.chdir("E:\name\\" + filename)
#切換工作路徑到E:\name\filename下

2、文件保存

f = open(name+'.jpg', 'ab')##寫入多媒體文件必須要 b 這個(gè)參數(shù)！
f.write(img.content) ##多媒體文件要是用conctent！
f.close()

案例：爬取妹紙圖

  
import requests
from bs4 import BeautifulSoup
import os
#導(dǎo)入所需要的模塊
class mzitu():
  def all_url(self, url):
    html = self.request(url)##
    all_a = BeautifulSoup(html.text, 'lxml').find('div', class_='all').find_all('a')
    for a in all_a:
      title = a.get_text()
      print('------開始保存：', title) 
      path = str(title).replace("?", '_') ##替換掉帶有的？
      self.mkdir(path) ##調(diào)用mkdir函數(shù)創(chuàng)建文件夾！這兒path代表的是標(biāo)題title
      href = a['href']
      self.html(href) 

  def html(self, href):  ##獲得圖片的頁面地址
    html = self.request(href)
    max_span = BeautifulSoup(html.text, 'lxml').find('div', class_='pagenavi').find_all('span')[-2].get_text()
    #這個(gè)上面有提到
    for page in range(1, int(max_span) + 1):
      page_url = href + '/' + str(page)
      self.img(page_url) ##調(diào)用img函數(shù)

  def img(self, page_url): ##處理圖片頁面地址獲得圖片的實(shí)際地址
    img_html = self.request(page_url)
    img_url = BeautifulSoup(img_html.text, 'lxml').find('div', class_='main-image').find('img')['src']
    self.save(img_url)

  def save(self, img_url): ##保存圖片
    name = img_url[-9:-4]
    img = self.request(img_url)
    f = open(name + '.jpg', 'ab')
    f.write(img.content)
    f.close()

  def mkdir(self, path): ##創(chuàng)建文件夾
    path = path.strip()
    isExists = os.path.exists(os.path.join("E:\mzitu2", path))
    if not isExists:
      print('建了一個(gè)名字叫做', path, '的文件夾！')
      os.makedirs(os.path.join("E:\mzitu2", path))
      os.chdir(os.path.join("E:\mzitu2", path)) ##切換到目錄
      return True
    else:
      print( path, '文件夾已經(jīng)存在了！')
      return False

  def request(self, url): ##這個(gè)函數(shù)獲取網(wǎng)頁的response 然后返回
    headers = {
      'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.110 Safari/537.36',
      'referer':#偽造一個(gè)訪問來源 "http://www.mzitu.com/100260/2"
    }
    content = requests.get(url, headers=headers)
    return content
#設(shè)置啟動(dòng)函數(shù)
def main():
  Mzitu = mzitu() ##實(shí)例化
  Mzitu.all_url('http://www.mzitu.com/all') ##給函數(shù)all_url傳入?yún)?shù) 

main()

您可能感興趣的文章: