快速了解Python语言和网络爬虫，实例讲解（2）

前言

快速了解Python语言和网络爬虫，实例讲解（1）：https://blog.csdn.net/PxFuture/article/details/101881023

requests库

requests库作为三方的库，至于它的好处和优点我全不知道，目测应该比原版的好用就对了2333

requests库前期准备

注意：此过程可能需要重复多次才可成功若反复失败可以考虑*
首先如果你第一次使用Python 建议你赶紧去安装pip，这样就可以便捷的安装各种丰富的第三方库，至于怎么装emmm，百度：Python安装pip。
安装PIP之后使用下面的命令安装requests
pip install requests //具体什么情况自己看着办吧，因为我已经装过了
pip是控制台命令（系统控制台） 安装了pip后控制台自然可以使用

使用requests

据说requests会自动设置一些东西，结果我用起来发现。。。百度百度不出来，字符集字符集设置不对。。。也有可能是我网页头字符集格式写错了

import requests
#我发现一些网站对这种方式爬虫进行了处理
url="http://yearagain.com"
data=requests.get(url)
print(data.text)

requests，自定义http报文头

这里headers的格式是 {‘属性名’:‘内容’,‘属性名2’:‘内容’}

import requests
#我发现一些网站对这种方式爬虫进行了处理
url="https://www.baidu.com"
headers = {'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.108 Safari/537.36'}
data=requests.get(url,headers=headers)
#这次成功读到了百度的内容,虽然requests库已经封装了一些操作,但有时不太好用
print(data.text)

requests，关于字符集

我百度了一下，requests自动获取字符集确实会出现很多问题
req=requests.get(url)
req.encoding = ‘utf-8’ #就这样设置字符集，至于怎么自动获得网页的正确字符集，因为篇幅太长请自行百度。

现在我们来讨论一下我们获取了网页干什么

到目前为止我们好像光秃秃的获得了一个html，我们没必要这么麻烦 我们只需要打开一个游览器，单击右键查看源代码，即可看到大部分网页的源代码，不用担心屏蔽和字符集的问题。
所以说网络爬虫究竟有什么用呢，我们除了要成功的获取web我们还要对web进行解析。这里最原始的方法是使用正则表达式至于怎么用。。。。

后言及BeautifulSoup4

由于我最近准备从windows平台全面转移到linux平台，遇到了很多问题，所以这系文章可能暂不更新了，下面举个简单的例子我们把html中所有的a标签提取出来
我们需要准备的是
pip install BeautifulSoup4 #这个库封装了一些功能便于我们解析html
还要安装解析器
pip intall lxml #解析器有很多种，Python自带了一种叫：html.parser

例子

第二行的from应该是类似命名空间之类的声明，具体的我不了解
最后两行我们通过BeautifulSoup对解析html做了个简单的举例，这里’lxml’是解析器参数 前文说过有不同的解析器可供选择，这里推荐用lxml就好。

import requests
from bs4 import BeautifulSoup
url="https://www.baidu.com"
headers = {'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.131 Safari/537.36'}
data=requests.get(url,headers=headers)
data.encoding='utf-8'
soup=BeautifulSoup(data.text,'lxml')
print(soup.find_all('a'))

除了提取整个标签我们还可以把便签内的各个内容单独提取出来，留待日后
至于网络爬虫的作用，我们可以利用各个网站网页中的内容统计一些数据（比如国内主流网站使用的字符集统计，比如HTML5编码规范的普及率，等等等等），当然网络爬虫应该有更多的作用，我们留待以后慢慢发掘