Aritcle
-
The bath
Say sonmething
The bath
Say sonmething
Pyhon网络爬虫学习笔记—抓取本地网页（一）
如何用Python爬取本地网页
一、写出一个简单的静态网页，下面是我随便写的一个
网页源代码如下
大阿瓦达
>
由于是静态网页，我用的是绝对路径 ，我就直接存放在桌面的目录里： C:\Users\伟\Desktop\网页作业\另一个网页作业\11.html
二、解析网页
第一步：使用BeautifulSoup 解析网页（这个库是python自带的）
Soup = BeautigulSoup(html,’lxml’)
(PS：lxml为解析网页所需要的库，在python中这个库是没有的，所以我们需要进入cmd 进行自主安装“pip install lxml”，这里我会在后面在介绍另外四种解析网页库，分别是：”html parser”,”lxml HTML”, ”lxml xml”, ”html 51ib”)
第二步：扫描抓取的东西在哪
资源 = Soup.select(‘???’)
第三步：从标签中获得你要的information（信息）
Something
（网页的段落标签）tittle = Something
rate = 4.0
BeautifulSoup => CSS Select：
一个网页的基本结构
Xpath与CSS解析网页的比较
Xpath：谁，在哪，哪几个 （之后再讲）
CSS Select：谁在哪，第几个，长什么样（我们接下来的爬虫就主要用copy selector找我们需要的内容）
三、写Python代码来爬取我们写的网页
这四行代码就可以实现我们网页的爬取
from bs4 import BeautifulSoup
with open('/Users/伟/Desktop/网页作业/另一个网页作业/11.html','r') as wb_data:
Soup = BeautifulSoup(wb_data,'lxml')
print(Soup)
'''
这里 第行的语句的意思是打开我们这个目录下的这个网页文件，r代表只读
'''这样就把我们整个网页的数据抓取过来了，但是结果并不是我们想要的
我们要将爬取的网页进行分析
还是点开我们写的网页，抓取我们需要的图片
找到图片img这一行，然后右键，copy，找到，copy selector
body > div.main-content > ul > li:nth-child(1) > img，这就是我们所需要抓取的图片的代码
images = Soup.select('body > div.main-content > ul > li:nth-child(1) > img')放进pycharm（Python编辑器）中进行抓取
后面再打印我们所抓取的图片信息
print(images)但我们放进python中，它会报错，因为我们没有按照他的格式进行
因此，我们要将代码
红色的部分删除，就可以得到这一类图片的信息
这里和我们加上的两个图片完全一致
然后我们在抓取我们需要的其他信息，附上全部代码
from bs4 import BeautifulSoup
with open('/Users/伟/Desktop/网页作业/另一个网页作业/11.html','r') as wb_data:
Soup = BeautifulSoup(wb_data,'lxml')
images = Soup.select('body > div.main-content > ul > li > img')
p = Soup.select('body > div.main-content > ul > li > p')
tittle = Soup.select('body > div.main-content > ul > li > h3')
print(images,p,tittle,sep='\n-----\n')
这就是我们抓取到的信息
[, ]
-----
[Say sonmething
, Say sonmething
]
-----
[The bath
, The bath
]虽然，这里抓取到的东西还是会有网页的代码，所以我们要对内容进行筛选
在代码中加上判断结构即可得到我们所需要的内容
如有补充，我会在后续加上