VB.net 2010 视频教程 VB.net 2010 视频教程 python基础视频教程
SQL Server 2008 视频教程 c#入门经典教程 Visual Basic从门到精通视频教程
当前位置:
首页 > temp > python入门教程 >

  • 带你了解python爬虫requests模块&BeautifulSoup使用方式！

requests模块介绍

相对于python自带的urllib模块，requests模块提供了相对更高层的api来进行网页访问的工作。

对于requests模块，使用很简单，一般我们会用到两个函数：

  • requests.get(url,params=None,**kwargs) 这里的params是我们要传入的query，它的格式是dict。
  • requests.post(url,data=None,**kwargs) 这里的data就是我们要提交的表单data，也是直接传入dict就好。

以上两个函数分别对应http协议中的"GET"方法与"POST"方法，而除了这两者，还有如"PUT"、"DELETE"、"HEAD"等方法，在requests模块中有一个统一的函数来发起不同“方法”的http请求报文：

  • requests.request(method,url,**kwargs) 可以看到该函数的第一个参数method的取值就是"GET"、"POST"等。
  • 该方法与上文提到的两个方法，返回值都是requests.Response对象，后面我们会对该对象与requests.Request对象进行介绍
  • 较常用的关键字参数：params，data，headers，proxies，stream等。
  • 其实上文所介绍的两个函数get和post，或是对应其他方法的函数，它们的实现就是使用request.requests函数的：
def get(url, params=None, **kwargs):
         kwargs.setdefault('allow_redirects', True)
         #这里可见request.get的实质
         return request('get', url, params=params, **kwargs)

这里来详细介绍一下headers，proxies和stream关键字参数的用途：

  • headers参数就是http请求报文的头部，它的格式是一个dict，其中最为常用的headers元素就是User-Agent，模仿浏览器访问网页。
  • proxies参数就是代理，它的格式也是一个dict，每一个键值对是这样的形式："协议":"ip:port"。
  • stream参数是相对前两者较陌生的一个参数，该参数默认为False，意味着我们会一下子把网页内容都下载，但如果主动设置为True的话，则不会立刻下载网页内容，而是等到使用requests.Response的iter_content才会迭代地把数据下载并读进内存中。

requests.Request&requests.Response

这两个对象详细对爬虫有过了解的朋友们都很熟悉了，它们是在爬虫逻辑中很关键的两个对象，简单来说： 发出Request，返回Response 。

requests.Request

我们在使用requests时一般不会直接创建Request对象，所以这里我们大致了解一下即可：

requests.Request(method=None, url=None, headers=None, data=None, params=None) 我们列出Request类构造时所需的一些常用参数，并且前文我们提到requests.get等函数的实质是requests.request函数，那么其实研究该函数的源码：

def request(method, url, **kwargs):
    with sessions.Session() as session:
        #可以看到在request函数内调用了session.request方法
        return session.request(method=method, url=url, **kwargs)
        

#这个是session.request方法的定义
def request(self, method, url,
        params=None, data=None, headers=None, cookies=None, files=None,
        auth=None, timeout=None, allow_redirects=True, proxies=None,
        hooks=None, stream=None, verify=None, cert=None, json=None):
    
    #可以看到这里其实使用传入参数
    #创建了一个requests.Request实例
    req = Request(
        method=method.upper(),
        url=url,
        headers=headers,
        files=files,
        data=data or {},
        json=json,
        params=params or {},
        auth=auth,
        cookies=cookies,
        hooks=hooks,
    )
    #进一步处理，得到对应的PreparedRequest对象
    prep = self.prepare_request(req)

    proxies = proxies or {}

    settings = self.merge_environment_settings(
        prep.url, proxies, stream, verify, cert
    )

    # Send the request.
    send_kwargs = {
        'timeout': timeout,
        'allow_redirects': allow_redirects,
    }
    send_kwargs.update(settings)
    #这里是真正的send Request，并返回一个Response对象
    resp = self.send(prep, **send_kwargs)
    return resp

由以上代码可知，其实requests.request方法的实质就是创建一个Request实例，在对其进行一定预处理后将其send，然后得到Response。

requests.Response

我们之前的requests.get、requests.post或是requests.request函数的返回对象就是一个requests.Response实例。对于Response类，我们主要介绍几个常用属性与方法：

  • Response.content 以bytes的形式得到返回Response的内容，其实也就是未解码的html文件
  • Response.text 文本形式的Response内容，也就是解码了的html文件，且如Response.encoding属性为None的话，那么会以chardet去猜测bytes内容的编码方式。当然我们也可以在access这个属性前人为指定一种编码方式。
  • Response.encoding 指定以何种方式来解码，Response内容的编码完全基于HTTP报头，遵循RFC2616文件。
  • Response.url 即Response的url
  • Response.status_code 相应的状态码，如成功的话该值就是200
  • Response.request 得到对应于这个Response的Request对象，其实是（PreparedRequest），通过这个request对象我们可以得到当时访问时的url、method、headers等属性。
  • Response.iter_content(chunk_size=1)，该函数返回一个generator，其中的chunk_size决定我们每次下载并读进内存中多少个字节，一般使用方法为for item in Response.iter_content(256)这样的for循环遍历即可。

BeautifulSoup

BeautifulSoup是一个可以从HTML或XML文件中提取数据的Python库，通常我们使用requests得到html文件（Response.text），然后我们再使用BeautifulSoup来处理。从而提取到我们需要的信息。

如何使用BeautifulSoup

from bs4 import BeautifulSoup
#其中html是返回的网页文本，也就是response.text
#而lxml是BeautifulSoup使用的文档解析器，需要我们
#已经预先pip install好lxml这个模块，或者我们也可
#使用python自带的html.parser，不过它的速度较慢些
#而soup就是一个BeautifulSoup对象，它承载了一个
#由html文档内部各个元素所形成的树形结构。
soup=BeautifulSoup(html,"lxml")
#以下就是几个最简单基本的使用
#直接以属性引用的方式得到html文档中的第一个a标签
print(soup.a)
#进一步得到html文档中第一个a标签的中的字符串部分（如果存在的话）
print(soup.a.string)
#拿到html文档中第一个a标签的href属性的值
print(soup.a["href"])

以上大致介绍了BeautifulSoup的简单实用，接下来我们进行更详细地分析：

BeautifulSoup将HTML文档转换成一个复杂的树形结构，该树形结构中的每个节点都是Python对象，所有对象可分为4种: Tag、NavigableString、BeautifulSoup、Comment。

  • Tag对象 对应的就是html文档中的标签，它有很多属性与方法，这里先介绍它最重要的两个属性：1.tag.name返回的就是该tag标签的名字（比如tag对应a标签，那么tag.name返回的就是"a"）。2.tag.attrs以字典的形式返回该标签所有的属性，如{"herf":"www.baidu.com"}。而我们想拿到属性值就可以用tag.attrs["href"]，不过上文也看到了，这里其实可以直接简写为tag["href"]。
  • NavigableString对象 它其实就是我们使用soup.a.string时真正返回的对象，它是对python自带的string对象进行了一个包装，我们可以就把它当作string使用，不需要在意其它。
  • BeautifulSoup对象 它对应我们文档的全部内容，也就是上文的soup对象，大部分时间我们可以把它当作tag对象一样来使用 方法 ，不过它没有attrs属性，并且它的name属性的值只为：["document"]。
  • Comment对象 它对应html文档中的注释标签：<!-- 此处写注释 -->，该标签很特别的是它不会被浏览器显示，只是一个对程序员注释的作用。该对象在实际应用中很少使用，这里不作更进一步的介绍。

接下来我们要来对tag对象以及BeautifulSoup对象在使用 method 上进行更进一步的介绍：

而所谓的method使用，我们着眼的就是在得到的BeautifulSoup对象的树形结构中对所需要的信息进行搜索的工作。

这样的搜索工作根据对 节点本身信息 和 节点之间在树形结构中的关系 的应用不同而 分为两种 。

第一种，由节点本身信息对节点进行搜索：

所谓tag.a其实就是tag.find("a")，该方法的具体函数头如下
find(name,attrs,recursive,string,**kwargs)
name就是标签名，它的值是一个“过滤器”。
attrs就是该name对应标签的属性，同样值也是一个“过滤器”。
recursive是一个bool值，默认为True。它的意思是搜索当前tag的所有子孙节点，如果为False，则只搜索当前tag的直接子节点
string就是该name对应的string值，也是一个“过滤器”。
**kwargs一般使用不用理会。

当然上面的tag.a或是tag.find("a")都只能得到tag下的第一个a标签，
这太局限了，如果我们想要的是后面的第三个a标签呢？于是就有了
tag.find_all("a")方法，返回一个列表，来得到所有的a标签，简写为tag("a")。
find_all(name,attrs,recursive,string,**kwargs)
参数的意义和find函数一样

下面我们来讲解一下这个所谓的“过滤器”到底是什么东西
具体的代码实现有点繁琐，总之我们可以把它理解为一种
对象，我们允许这个对象有多种值。
(1)字符串值 最简单的就是传入字符串值，如之前的tag.a
(2)正则表达式值 即re.compile(r"d+")这样的形式
(3)列表值 如name=["a","div"]，则find只会返回其中的后者，
find_all会返回一个列表，包含tag下的所有a和div标签。
(4)True 意思不做过滤，对于find是返回tag下符合要求的标签的第一个，对于find_all是返回所有。比如name=True，那么就不对name
过滤，对其他attrs或string继续筛选过滤。

第二种，根据节点所在树形结构中的关系对其它节点进行搜索：

直接子节点：
tag.childern和tag.contents是tag对象的两个属性，注意不是对应标签的属性！！！它们返回当前tag节点在树形结构中的直接子节点。
tag.childern返回一个生成器
tag.contents返回一个列表

子孙节点：
tag.descendants返回一个生成器，对它进行遍历可以得到当前tag节点的所有子孙节点的循环遍历结果。

直接父节点：
tag.parent获取当前tag的直接父节点

所以父节点：
tag.parents返回一个生成器，可以获取当前tag的所有父辈节点

next的兄弟节点：
tag.next_sibling和tag.next_siblings，返回值类型不用赘述。

previous的兄弟节点：
tag.previous_sibling和tag.previous_siblings，同样返回类型不用赘述。

以上大概就是BeautifulSoup在搜索信息时所需的知识，其它如两种方式结合的tag.find_parent(name,attrs,recursive,string,**kwargs)等方法，之后可以慢慢了解。

 

想要源码或者更多内容点击这里即可获取

 



 

此文转载文，著作权归作者所有，如有侵权联系小编删除！

原文地址：https://www.tuicool.com/articles/uAbyimr

 


相关教程