python爬虫实例1：获取一个网页的列表数据

python爬虫实例1：获取一个网页的列表数据

以下是一个使用requests和BeautifulSoup爬取网站的示例：

import requests
from bs4 import BeautifulSoup

# 发送请求
response = requests.get('https://www.example.com')

# 解析网页内容
soup = BeautifulSoup(response.content, 'html.parser')

# 获取标题
title = soup.title.string
print(f'Title: {title}')

# 获取正文内容
body = soup.body
print(f'Body: {body.text}')

# 获取所有链接
links = []
for link in soup.find_all('a'):
    links.append(link.get('href'))
print(f'Links: {links}')

上述代码首先使用requests库发送了一个 GET 请求，获取了https://www.example.com网站的内容。然后，使用BeautifulSoup解析了这个网页的 HTML 内容，并使用一些方法获取了网页的标题、正文内容和所有链接列表。这个例子展示了如何结合使用requests和BeautifulSoup库来爬取网站，并获取网页的不同元素。

设置请求头

当我们使用requests发送请求时，有些网站会对没有设置请求头的请求进行过滤或拒绝，这时我们需要设置请求头来模拟一个正常的浏览器请求，以下是一个带有请求头的示例：

import requests
from bs4 import BeautifulSoup

# 设置请求头
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'
}

# 发送请求
response = requests.get('https://www.example.com', headers=headers)

# 设置编码方式为 UTF-8
response.encoding = 'utf-8'

# 解析网页内容
soup = BeautifulSoup(response.content, 'html.parser')

# 获取标题
title = soup.title.string
print(f'Title: {title}')

# 获取正文内容
body = soup.body
print(f'Body: {body.text}')

# 获取所有链接
links = []
for link in soup.find_all('a'):
    links.append(link.get('href'))
print(f'Links: {links}')

在上述代码中，我们设置了一个headers字典，其中包含了User-Agent头，该头信息会告诉服务器我们使用的是哪个浏览器。然后使用requests发送请求时，传入了该请求头信息，服务器就会认为我们是一个正常的浏览器请求，从而返回响应内容。

请求头包含了很多信息，其中比较常用的有以下几个：

1. User-Agent：浏览器的标识，通常为浏览器的名称和版本号。
2. Referer：表示请求的来源页面的 URL。
3. Accept：表示浏览器接受的数据类型。
4. Cookie：表示客户端存储在本地的用于标识客户端身份的信息。
5. Authorization：表示客户端认证的信息，用于访问需要身份验证的资源。
6. Host：表示请求的目标主机名和端口号。
7. Connection：表示客户端请求完毕后是否保持与服务器的连接。
8. Accept-Language：表示浏览器接受的语言类型。

在实际爬取网页时，通常需要根据具体的网站进行调整，以便让服务器认为我们是一个正常的浏览器请求。需要注意的是，不同的网站可能需要不同的请求头，因此在编写爬虫时，需要根据具体的情况进行调整。

设置编码格式

当我们使用requests发送请求时，有些网站的编码方式可能不是 UTF-8，这时我们需要在发送请求时设置编码方式来正确解析网页内容。以下是一个设置编码方式为 UTF-8 的示例：

import requests
from bs4 import BeautifulSoup

# 发送请求
response = requests.get('https://www.example.com')
# 设置编码方式为 UTF-8
response.encoding = 'utf-8'

在上述代码中，我们通过response.encoding属性将网页的编码方式设置为 UTF-8，以便正确解析网页内容。这样，当我们使用BeautifulSoup解析网页内容时，就能够正确地获取到网页的标题、正文内容和所有链接了。

常用的网站编码主要包括以下几种：

1. UTF-8：这是一种变长的 Unicode 编码，它能够表示所有的 Unicode 字符。UTF-8 是目前互联网上最常用的编码方式之一。
2. GB2312：这是一种针对简体中文的字符集编码，它包含了 6763 个汉字和 682 笔画组成的字符集。
3. GBK：这是对 GB2312 字符集的扩充，它包含了 21003 个汉字和多个其他字符。
4. BIG5：这是一种针对繁体中文的字符集编码，它包含了 13060 个汉字和多个其他字符。
5. ISO-8859-1：这是一种西欧字符集编码，它能够表示西欧语言中的所有字符。

在使用 Python 进行爬虫时，需要根据网站的具体编码方式来正确解析网页内容，以便正确地获取到网页的标题、正文内容和所有链接等信息。

---

• 博客主页：https://blog.csdn.net/qq233325332
• 欢迎点赞 收藏 ⭐留言 如有错误敬请指正！
• 本文由 陌北v1 原创，首发于 CSDN博客
• 停下休息的时候不要忘了别人还在奔跑，希望大家抓紧时间学习，全力奔赴更美好的生活✨