【爬虫学习】BeautifulSoup 学习心得

最近在根据教程学习网络爬虫，如何从真实网页中获得信息，虽然之前也写过一些爬虫，但是始终没有经过科班培训，这次算是正式学习吧，同时记录一些心得体会

上图是一个简单的网页解析代码，同时可以作为学习beautifulsoup库的样本

soup.select方法：

1、使用的是CSS selector路径，不是xpath路径（可用于Scrapy）

2、例如titles中，如果想要依靠标签中有某个属性来实现筛选，则在CSS selector中修改为   标签[属性]，例如：a[target="_blank"]

     同样，对于imgs中，使用宽度=160这个属性，进行图片的筛选

3、在cates（类别信息）中，一个标题下有多个类别，则可以通过选择父节点（p13n_reasoning_v2）标签(位置信息)来获得所有信息

4、在复杂网页中，往往CCS Selector路径很长，其实并不必要，只要能找到唯一的标签来定位该元素即可，例如 这时搜索.time如果唯一，则可以使用soup.selcet('a.time')来获得内容

     如果审查内容为<  id = "content">后边有  且搜索唯一，则可是用soup.select('#content span.price')

也就是说  #  代表  id     .   代表 class

5、学到一种字典解析方式，后边加上一个if判断句

6、除了利用soup.select方法外，还可以利用soup.title.text方法，如果浏览网页的标题在浏览器的标签页上的话，这是最简单的实现方法

soup.find_all方法

图2  41行中，span为标签，c_25d是class，这样找到所有的这种样式的内容

soup解析内容时候

1、常用的是get_text()方法

2、获得连接信息，则利用get方法，参数为具体链接的标签，例如img.get('src')

3、对于多个信息，利用stripper_strings方法来得到

小技巧

1、学会好的展示方法，将数据整理为一个字典，利用zip函数

2、在爬取连续多个页面的网页时，可以“列表解析式”构造网址

例如：url = ['www.****{}.com'.format(str(i)) for i in range(1,100,3)]

3、使用headers={'User-Agent':' '

'Cookie':' '}来模拟人类登陆

4、为了反爬虫，可以爬取手机（移动端）页面