Python爬虫常用库介绍（requests、BeautifulSoup、lxml、json）
程序员文章站
2022-09-04 17:24:06
1、requests库 http协议中，最常用的就是GET方法： import requests response = requests.get('http://www.baidu.com') print(response.status_code) # 打印状态码 print(response.ur ......
1、requests库
http协议中，最常用的就是get方法：
import requests
response = requests.get('http://www.baidu.com')
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
除此get方法外，还有许多其他方法：
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')
2、beautifulsoup库
beautifulsoup库主要作用：
经过beautiful库解析后得到的soup文档按照标准缩进格式的结构输出，为结构化的数据，为数据过滤提取做出准备。
soup文档可以使用find()和find_all()方法以及selector方法定位需要的元素：
1. find_all()方法
soup.find_all('div',"item") #查找div标签，class="item"
find_all(name, attrs, recursive, string, limit, **kwargs)
@params:
name: 查找的value，可以是string，list，function，真值或者re正则表达式
attrs: 查找的value的一些属性，class等。
recursive: 是否递归查找子类，bool类型
string: 使用此参数，查找结果为string类型；如果和name搭配，就是查找符合name的包含string的结果。
limit: 查找的value的个数
**kwargs: 其他一些参数
2. find()方法
find()方法与find_all()方法类似，只是find_all()方法返回的是文档中符合条件的所有tag,是一个集合，find()方法返回的一个tag
3、select()方法
soup.selector(div.item > a > h1) 从大到小，提取需要的信息，可以通过浏览器复制得到。
select方法介绍
示例：
<html><head><title>the dormouse's story</title></head> <body> <p class="title" name="dromouse"><b>the dormouse's story</b></p> <p class="story">once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link1"><!-- elsie --></a>, <a href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link2">lacie</a> and <a href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link3">tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """
在写css时，标签名不加任何修饰，类名前加点，id名前加 #，我们可以用类似的方法来筛选元素，用到的方法是soup.select()，返回类型是list。
(1).通过标签名查找
print(soup.select('title')) #筛选所有为title的标签，并打印其标签属性和内容
# [<title>the dormouse's story</title>]
print(soup.select('a')) #筛选所有为a的标签
# [<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">tillie</a>]
print(soup.select('b')) #筛选所有为b的标签，并打印
# [<b>the dormouse's story</b>]
(2).通过类名查找
print soup.select('.sister') #查找所有class为sister的标签，并打印其标签属性和内容
# [<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">tillie</a>]
(3).通过id名查找
print soup.select('#link1') #查找所有id为link1的标签，并打印其标签属性和内容
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>]
(4).组合查找
组合查找即和写class文件时，标签名与类名、id名进行的组合原理是一样的，例如查找p标签中，id等于link1的内容，二者需要空格分开。
print soup.select('p #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>]
直接子标签查找
print soup.select("head > title")
#[<title>the dormouse's story</title>]
(5).属性查找
查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。
print soup.select("head > title")
#[<title>the dormouse's story</title>]
print soup.select('a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>]
属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格。
print soup.select('p a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- elsie --></a>]
beautifulsoup库例句：
from bs4 import beautifulsoup
import requests
f = requests.get(url,headers=headers)
soup = beautifulsoup(f.text,'lxml')
for k in soup.find_all('div',class_='pl2'): #找到div并且class为pl2的标签
b = k.find_all('a') #在每个对应div标签下找a标签，会发现，一个a里面有四组span
n.append(b[0].get_text()) #取第一组的span中的字符串
3、lxml库
lxml 是 一个html/xml的解析器，主要的功能是如何解析和提取 html/xml 数据。
示例如下：
# 使用 lxml 的 etree 库
from lxml import etree
text = '''
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a> # 注意，此处缺少一个 </li> 闭合标签
</ul>
</div>
'''
#利用etree.html，将字符串解析为html文档
html = etree.html(text)
# 按字符串序列化html文档
result = etree.tostring(html)
print(result)
输出结果如下：
<html><body>
<div>
<ul>
<li class="item-0"><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a></li>
</ul>
</div>
</body></html>
可以看到。lxml会自动修改html代码。例子中不仅补全了li标签，还添加了body，html标签。
4、json库
| 函数 | 描述 |
|---|---|
| json.dumps | 将python对象编码成json字符串 |
| json.loads | 将已编码的json字符串解析为python对象 |
1. json.dumps的使用
#!/usr/bin/python
import json
data = [ { 'name' : '张三', 'age' : 25}, { 'name' : '李四', 'age' : 26} ]
jsonstr1 = json.dumps(data) #将python对象转为json字符串
jsonstr2 = json.dumps(data,sort_keys=true,indent=4,separators=(',',':')) #让json数据格式化输出,sort_keys:当key为文本，此值为true则按顺序打印，为false则随机打印
jsonstr3 = json.dumps(data, ensure_ascii=false) #将汉字不转换为unicode编码
print(jsonstr1)
print('---------------分割线------------------')
print(jsonstr2)
print('---------------分割线------------------')
print(jsonstr3)
输出结果：
[{"name": "\u5f20\u4e09", "age": 25}, {"name": "\u674e\u56db", "age": 26}]
---------------分割线------------------
[
{
"age":25,
"name":"\u5f20\u4e09"
},
{
"age":26,
"name":"\u674e\u56db"
}
]
---------------分割线------------------
[{"name": "张三", "age": 25}, {"name": "李四", "age": 26}]
2. json.loads的使用
#!/usr/bin/python
import json
data = [ { 'name' : '张三', 'age' : 25}, { 'name' : '李四', 'age' : 26} ]
jsonstr = json.dumps(data)
print(jsonstr)
jsonobj = json.loads(jsonstr)
print(jsonobj)
# 获取集合第一个
for i in jsonobj:
print(i['name'])
输出结果为：
[{"name": "\u5f20\u4e09", "age": 25}, {"name": "\u674e\u56db", "age": 26}]
[{'name': '张三', 'age': 25}, {'name': '李四', 'age': 26}]
张三
李四`
推荐阅读
-
Python爬虫常用库介绍（requests、BeautifulSoup、lxml、json）
-
python网络爬虫（一）requests库介绍
-
[python爬虫]Requests-BeautifulSoup-Re库方案介绍
-
Python爬虫之Requests 库的介绍和操作实例
-
Python爬虫之requests库基本介绍
-
python爬虫时常用的库的相关介绍
-
Python爬虫常用库介绍（requests、BeautifulSoup、lxml、json）
-
[python爬虫]Requests-BeautifulSoup-Re库方案介绍
-
python爬虫时常用的库的相关介绍
-
Python爬虫之requests库基本介绍