在Python中使用BeautifulSoup进行网页爬取，糗事百科

简介：本文将详细演示如何用Python爬取糗事百科的笑话段子内容，还会讲到爬虫的时候需要重点关注的点。Web抓取是从Internet提取数据的过程。这也称为网络收集或网络数据提取。Python使我们能够使用自动化技术执行Web抓取。BeautifulSoup是一个Python库，用于解析HTML和XML文档中的数据（结构化数据）。

互联网有海量数据。无论你是数据科学家，商人，学生还是专业人士，所有人都会从互联网上获取数据。

网页抓取是什么意思？这是从网站提取数据的简单动作。甚至从Internet复制和粘贴数据都是Web抓取。因此，如果你从互联网上下载了喜欢的歌曲，则意味着您已经从互联网上抓取了数据。

在本文中，我们将探讨一些与Web抓取有关的最常见问题，然后我们将介绍创建Web抓取工具的整个过程，并使Web抓取任务自动化！

什么是网页抓取？

Web抓取是从Internet提取数据的过程。这也称为网络收集或网络数据提取。Python使我们能够使用自动化技术执行Web抓取。

Python中用于网络抓取的一些最常用的库是：

• requests
• BeautifulSoup4
• Selenium
• Scrapy.
  
  

为什么我们要从互联网上抓取数据？

如果按照适当的指导方针进行Web抓取，并且可以通过自动化，实现我们在Internet上重复执行的日常任务，会使我们的生活变得轻松。

• 如果你是数据分析师，并且需要每天从Internet提取数据，那么创建一个自动Web爬虫是减轻你每天手动提取数据负担的解决方案。
• 你可以使用网络抓取工具从在线购物网站提取有关产品的信息，并比较产品价格和规格。
• 你可以将网页抓取用于内容营销和社交媒体促销。
• 作为学生或研究人员，你可以使用网络抓取从网络中提取研究/项目的数据。

最重要的是，“自动采集可以让您聪明地工作！”

网站采集合法吗？

这是一个非常重要的问题，但是，对此没有具体答案。有些网站不介意你从其网页上抓取内容，而另一些网站则禁止抓取内容。因此，有必要遵循准则，并且在从其网页上抓取内容时不要违反网站的政策。

让我们看看在通过Internet抓取内容时必须牢记的一些重要准则。

在深入研究网络抓取之前，了解网络的工作原理以及什么是超文本标记语言非常重要，因为这就是我们要从中提取数据的方式。因此，让我们简要讨论一下HTTP请求响应模型和HTML。

HTTP请求/响应模型

网络工作原理的整个工作原理可能非常复杂，但让我们尝试并从简单的角度理解事物，这将使我们对如何进行网络抓取有所了解。

简而言之，HTTP请求/响应是HTTP和其他基于HTTP的扩展协议使用的通信模型，根据该模型，客户端（Web浏览器）向服务器发送对资源或服务的请求，然后服务器发送如果成功处理了请求，则返回与资源相对应的响应；否则，如果服务器无法处理该请求，则服务器将以错误消息进行响应。

与Web服务器进行交互的HTTP方法很多。但最常用的是 get 和 post

• GET：用于从Web服务器中的特定资源请求数据。
• POST：用于将数据发送到服务器以创建/更新资源。

其他HTTP方法是：

• PUT
• HEAD
• DELETE
• PATCH
• OPTIONS

注意：为了从网站上获取数据，我们将使用 requests 库和 get() 方法向Web服务器发送一个请求。

虽然HTML本身超出了本文的讨论范围，但是你必须了解HTML的基本结构。不要担心，你不需要学习如何使用HTML和CSS设计网页，但你必须了解使用HTML创建网页时使用的一些关键元素和标记。

HTML有一个层次结构 / 树形结构。这个属性使我们在访问HTML文档中的元素时，可以根据它们的父子关系来访问网页。为了可视化HTML树状结构，让我们看看下面给出的图片。

如果你想进一步探索和了解HTML的工作原理，我列出了几个链接：

• html.com
• W3Schools的HTML教程

创建网络爬虫

在本次演练中，我们将抓取：

• 笑话段子内容

网站：https://www.qiushibaike.com/text/

步骤1：浏览并检查网站/网页

要使用开发者工具导航：

1. 右键单击该网页。
2. 选择检查。
   

下面给出的图像表示我们在抓取时需要处理的部分。

步骤2：创建用户代理

用户代理是客户端（通常是Web浏览器），用于代表用户向Web服务器发送请求。当从同一台机器/系统一次又一次地获取自动化请求时，Web服务器可能会猜测该请求是自动化发送的。它会阻止了该请求。因此，我们可以使用用户代理来伪造浏览器，访问特定网页，从而使服务器认为请求来自原始用户，而不是机器人。

语法：

# 创建 User-Agent (可选)
headers = {
     "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36"}
# 将User-Agent作为参数与get()请求一起传递
response = requests.get("https://www.qiushibaike.com/text/page/1/", headers=headers)

步骤3：导入请求库

Requests 请求库允许我们发送 get 请求到Web服务器。

运作方式如下：

• import requests 该库以一种易于处理的格式，处理从服务器请求网站的细节。
• 使用 requests.get(…) 方法访问网站，并将URL 作为参数传递， 以便函数知道要访问的位置。
• 访问get请求的实际主体(返回值是一个请求对象，它还包含一些有用的元信息，如文件类型等)，并使用 .text 属性将其存储在一个变量中。

语法：

# 存储网页内容
webpage = response.text

检查状态码

服务器处理完HTTP请求后，它将发送包含状态码的响应。状态代码指示特定响应是否已成功处理。

主要有5种不同的状态代码类别：

语法：

print(response.status_code)
200

步骤4：使用 BeautifulSoup 库解析HTML

BeautifulSoup是一个Python库，用于解析HTML和XML文档中的数据（结构化数据）。

• 导入BeautifulSoup库。
• 创建BeautifulSoup对象。第一个参数表示HTML数据，而第二个参数是解析器。

语法：

# 从bs4导入BeautifulSoup
from bs4 import BeautifulSoup
# 从网页内容中创建一个BeautifulSoup对象
soup = BeautifulSoup(webpage, "lxml")

创建BeautifulSoup对象后，我们需要使用BeautifulSoup 库提供给我们的不同选项来导航和查找HTML文档中的元素，并从中抓取数据。

步骤5：使用for循环请求多个页面

语法：

# 指定10个页面，循环赋值
for page in range(10):
    response = requests.get('https://www.qiushibaike.com/text/page/{}/'.format(page), headers=headers)

步骤6：使用 select() 方法，快速找到标签元素

soup.select('a.contentHerf .content span')

步骤7：数据清洗，删除字符串“None”

语法：

if joke.string is not None:
   print(joke.string)

最终的解决方案

现在，我们合并所有步骤，以达到最终的解决方案/代码，如下所示：

import requests
from bs4 import BeautifulSoup

headers = {
     "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36"}

for page in range(10):
    response = requests.get('https://www.qiushibaike.com/text/page/{}/'.format(page), headers=headers)
    webpage = response.text
    soup = BeautifulSoup(webpage, "lxml")
    for joke in soup.select('a.contentHerf .content span'):
        if joke.string is not None:
            print(joke.string)

输出：

最后

希望阅读完整篇文章后，你可以轻松地从网页中抓取数据！

请订阅并继续关注，以后会收到更多有趣的文章。

本文为“一个火星程序员”原创文章，转载请标明出处
原文链接：https://blog.csdn.net/machial/article/details/110676426