Python网站搜索内容定向爬虫（新手向超详细）

功能

• 目标网站：https://www.hellohuanxuan.top/
• 定向爬虫，只能爬取给定URL，不进行扩展爬取
• 爬虫向搜索框提交搜索信息，爬取搜索之后的结果
• 所需库：requests，bs4

前期准备

1. 首先查看网页搜索框，随便搜索数据看看
   
   我们注意到，此时url为：
   可推断出执行搜索的参数为 “?s=”
2. 之后打开F12查看源代码，看到整个数据部分是在一个main标签里，如发表时间、标题，链接等等
   
3. 开始构造代码吧

各个模块功能

• 整个爬虫分为三大模块，每个模块一个函数
• getHtml(url, header)函数：发起请求，获得返回源代码
• parsePage(ulist, html)函数：负责解析源代码，获取到有用的信息，并存入列表中（整个代码的关键部分）
• printlist(ulist)函数：将列表格式化打印出来

代码部分

import requests
from bs4 import BeautifulSoup
import bs4


def getHtml(url, header):
    try:
        r = requests.get(url, headers=header)
        r.raise_for_status()
        print(r.request.headers)
        # r.encoding = r.apparent_encoding # 根据情况是否填写
        return r.text
    except:
        print("爬取失败！")
        return " "


def parsePage(ulist, html):
    soup = BeautifulSoup(html, "html.parser")
    for i in soup.find('main', {'class': 'site-main'}).children:
        try:
            if isinstance(i, bs4.element.Tag):
                psrc = i('div', {'class': 'p-time'})
                title = i('h1', {'class': 'entry-title'})
                # print(psrc[0].text)
                # print(title[0].string)
                # print(title[0].a.attrs['href'])
                ulist.append([psrc[0].text, title[0].string, title[0].a.attrs['href']])
                # ulist.append([1, 1, 1])
        except:
            print("数据丢失！")


def printlist(ulist):
    print("{:10}\t{:10}\t{:8}".format("发布日期", "标题", "链接"))
    for i in ulist:
        print("{:10}\t{:10}\t{:8}".format(i[0], i[1], i[2]))

def main():
    header = {
        "user-agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36",
    }
    worlds = '1'
    ulist = []
    url = "https://www.hellohuanxuan.top/?s=" + worlds
    html = getHtml(url, header)
    parsePage(ulist, html)
    printlist(ulist)


if __name__ == "__main__":
    main()

代码解析

getHtml

    try:
		# 通过requests的get方法获得源代码
        r = requests.get(url, headers=header)
		# 判断返回状态码是否为200，不为200直接进入异常
        r.raise_for_status()
		# 打印头部信息看看，可注释掉
        print(r.request.headers)
        # r.encoding = r.apparent_encoding # 根据情况是否填写，爬我的网站要注释，否则显示中文为乱码
        return r.text
    except:
        print("爬取失败！")
        return " "

parsePage

	# 利用BeautifulSoup解析html
    soup = BeautifulSoup(html, "html.parser")
	# for循环查找class为'site-main'的main标签的字标签
    for i in soup.find('main', {'class': 'site-main'}).children:
		# try except捕捉异常
        try:
		# isinstance函数在这里判断i是否是bs4库里规定的标签类型
            if isinstance(i, bs4.element.Tag):
				# 获取class为'p-time'的div标签
                psrc = i('div', {'class': 'p-time'})
				# 获取class为'entry-title'的h1标签
                title = i('h1', {'class': 'entry-title'})
                # print(psrc[0].text)
                # print(title[0].string)
                # print(title[0].a.attrs['href'])
				# 将值写进列表
                ulist.append([psrc[0].text, title[0].string, title[0].a.attrs['href']])
                # ulist.append([1, 1, 1])
        except:
            print("数据丢失！")

printlist

	# 格式化输出列表
    print("{:10}\t{:10}\t{:8}".format("发布日期", "标题", "链接"))
    for i in ulist:
        print("{:10}\t{:10}\t{:8}".format(i[0], i[1], i[2]))

运行效果

总结

大家千万别全拿我的网站爬啊，学生服务器经不起太多折腾。（无奈）
最后推荐一个慕课的视频，北京理工大学嵩天老师的python爬虫课程，讲的很清晰也很透彻。
Bilibili链接：python网络爬虫与信息提取
python爬虫学习中，如果大佬们看出有什么可以优化的地方欢迎指正
转自自己的小网站：我的博客

本文地址：https://blog.csdn.net/Aaaes/article/details/107647278