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)