标签：soup python 标签 wrap bs4 div print requests find

python 网络爬虫全流程教学，从入门到实战（requests+bs4+存储文件）

requests是一个Python第三方库，用于向URL地址发起请求
bs4 全名 BeautifulSoup4，是编写 python 爬虫常用库之一，主要用来解析 html 标签。

一、爬虫编写过程解析

1.1 导入库文件（请求库、解析库）

#导入 requests请求库
import requests

#导入bs4解析库
from bs4 import BeautifulSoup

1.2 发起对指定网页的请求

#对爬取网页的链接
url='请求地址'

#请求头（作用：为了不被对方发现是爬虫的访问）
#去需要爬取网页上>打开开发者模式（F12）>网络（network）>随便点开一个文件>标头>请求头里的User-Agent
headers={'User-Agent': '请求头'}

#发起get请求，获取请求内容，并用（utf-8）解码（编码一般是：utf-8，gbk，gb2312）
html=requests.get(headers=headers,url=url).content.decode('utf-8')

1.3 解析为 bs4格式

#解析为bs4,BeautifulSoup(html文本,'解析器')，如下表
soup=BeautifulSoup(html,'html.parser')

如果一段HTML或XML文档格式不正确的话，那么在不同的解析器中返回的结果可能是不一样的。

解析器	使用方法	优势
Python标准库	BeautifulSoup(html, "html.parser")	1、Python的内置标准库 2、执行速度适中 3、文档容错能力强
lxml HTML	BeautifulSoup(html, "lxml")	1、速度快 2、文档容错能力强
lxml XML	BeautifulSoup(html, ["lxml", "xml"]) BeautifulSoup(html, "xml")	1、速度快 2、唯一支持XML的解析器
html5lib	BeautifulSoup(html, "html5lib")	1、最好的容错性 2、以浏览器的方式解析文档 3、生成HTML5格式的文档

1.4 解析获取的内容（获取想要的数据）

#获取想要的网页标签（如div）
Tdiv=soup.find_all('div',class_="div的class样式名")

#输出查找到的结构
print(Tdiv)

1.5 存储爬取的数据

#格式
with open('./文件路径/文件名.文件类型','权限') as f:
	f.write('字符型文本')

二、bs4核心函数

作用：获取，网页中的各个自己想要的标签，一般是从大标签到小标签的过程

操作案例百度

#导入库
from bs4 import BeautifulSoup
import requests

#百度的url地址
url="https://www.baidu.com/"
#请求头（作用：为了不被对方发现是爬虫的访问）
hearders={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36 Edg/105.0.1343.53'}
#获取百度的请求
html=requests.get(url=url, headers=hearders).content.decode("utf-8")
#解析为bs4
soup = BeautifulSoup(html,"html.parser")

2.1 find()

查找符合条件的第一个标签，结果是标签对象

find( name , attrs/class_ , recursive , string , **kwargs )

soup.find('标签名'，属性名=“属性”/class_="类名"，recursive=“是否只要子节点（默认False）”，string="标签内容")

参数可以任意组合或只填写一个

①根据标签名定位第一个指定的标签

#查询出第一个p标签对象，并输出
print(soup.find('p'))

#查询出第一个a标签对象，并输出
print(soup.find('a'))

②根据属性名定位满足条件的第一个标签

#查询class属性为’s-top-wrap s-isindex-wrap‘的任意标签
print(soup.find_all(class_='s-top-wrap s-isindex-wrap'))

#查询id属性为s_top_wrap的所有标签，其他属性名照写
print(soup.find_all(id='s_top_wrap'))

③根据标签和标签属性定位

#查询class为’s-top-wrap s-isindex-wrap‘的一个div标签
print(soup.find('div',class_='s-top-wrap s-isindex-wrap'))

#查询id为s_top_wrap的第一个div标签
print(soup.find('div',id='s_top_wrap'))

④根据指定的标签名和对应的标签内容定位

#查询到内容为“设置“的第一个span标签
print(soup.find('span',string="设置"))

2.2 find_all()

和find()函数用法一样，不同之处在于find()只返回满足条件的第一个标签对象，而find_all()返回所有满足条件的标签对象，是一个列表。有时需要两个配合使用。

①根据标签名定位所有指定的标签

#查询所有是img的标签，返回的是一个列表
print(soup.find_all('img'))

②根据属性名定位所有满足条件的标签

#查询所有class属性为’s-top-wrap s-isindex-wrap‘的任意标签
print(soup.find_all(class_='s-top-wrap s-isindex-wrap'))

#查询id属性为s_top_wrap的所有标签，其他属性名照写
print(soup.find_all(id='s_top_wrap'))

③根据指定的标签和对应的属性名定位所有满足条件的标签

#查询所有class属性为's-top-wrap s-isindex-wrap'的div标签
print(soup.find_all('div',class_='s-top-wrap s-isindex-wrap'))

#查询所有id属性为's_top_wrap'的div的标签
print(soup.find_all('div',id='s_top_wrap'))

④根据指定的标签名和对应的标签内容定位

#查询内容为“设置“的所有span标签
print(soup.find_all('span',string="设置"))

2.3 select()

select()函数也是定位所有满足条件的标签，返回值也是一个列表

①根据标签名定位

#查询所有是img的标签，返回的是一个列表
print(soup.select("img"))

②根据标签名和属性定位

#查询class属性为’s-top-wrap‘的所有标签
print(soup.select('.s-top-wrap'))

#查询id属性为‘s_top_wrap'的所有标签
print(soup.select('#s_top_wrap'))

#通过标签名和属性一起配合查询,其他属性直接写对应的属性如：a[hrsr='https']
print(soup.select('div[id="s_top_wrap"]'))

③定位对应的子标签

#查所有a标签下的img标签
print(soup.select('a>img'))

三、bs4基本操作

作用：获取标签中自己想要的内容，如：文字、图片链接、视频链接、音频链接等

注意：soup只是一个变量，就是你查询出来后新的获取范围

3.1 获取标签内的文本

#分别获取a标签和p标签内的文本内容（推荐第一种方式）
print(soup.a.text)
pring(soup.p.string)

3.2 获取标签属性

#获取第一个div标签的所有属性
print(soup.div.attrs)

3.3 获取指定标签的属性值

#获取div标签中的class属性的值
print(soup.div.attrs.get('class'))

#获取div标签中的id属性的值
print(soup.div.get('id'))

#获取img标签中的src属性的值
print(soup.img.get('src'))

3.4 遍历获取的标签的属性值

#获取到所有的img标签,返回值为列表
imgs=soup.find_all('img')
for i in imgs:
    #img标签中src的值
    print(i['src'])

#获取到所有的img标签,返回值为列表
imgs=soup.find_all('img')
for i in imgs:
    #img标签中src的值
    print(i.get('src'))

3.5 获取指定标签内所有的元素

print(soup.p.contents)

3.6 获取标签的父标签

print(soup.a.parent)

四、存储数据

存储为：文本文档（txt）、表格（excel）、图片、音频、视频

注意：本章节只讲解写操作，写出什么文件写什么格式

4.1 with open() as f: 用法

#格式
with open('./文件路径/文件名.文件类型','权限') as f:
	f.write('字符型文本')

权限	作用
w	写入，新的会覆盖旧的
a	写入，在末尾追加写入，不会覆盖旧的
wb	写入，以二进制的方式写入（图片、音频、视频）

4.2 写入为文本文档（txt）

#将变量里的内容写入到“文本.txt”文件中，没有"文本.txt"会自动创建
wb='我是被爬取下来的文字'
with open('文本.txt','w') as f:
    f.write(wb)

4.3 循环写入到文本文档中（txt）

#将列表里的内容循环到“文本.txt”文件中，没有"文本.txt"会自动创建
wb=['文本1','文本2','文本3','文本4']
for i in wb:
    with open('文本.txt','a') as f:
    	f.write(i)

4.4 存储图片

#导入请求库
import requests

#请求头
headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.42'}

#图片地址列表
imgs=['/i/ll/?i=a263ea6716ff44d4a2a825dbf26d2666.png','/i/ll/?i=43112c81ed164acfb45295f516d08925.png']

#为图片命名的变量
i=1

#遍历图片地址
for img in imgs:
    #向图片地址发起请求，并且获取请求内容
    res=requests.get(url=img,headers=headers).content
    #写出图片（注意：权限是wb，写图片扩展名和获取的图片保存一致）
    with open(str(i)+'.png','wb') as f:
        #写出的参数为请求回来的内容
    	f.write(res)
    i+=1
print("写出成功！")

4.5 存储视频

写出音频也是如此

#导入库
import requests

#请求头
headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.42'}

#视频地址
video='https://prod-streaming-video-msn-com.akamaized.net/3f6ca508-598d-4cbd-a3e2-43deea7bc377/b60c553e-9f3f-4164-8850-700a9a73a899.mp4'

#发起请求
res=requests.get(url=video,headers=headers).content

#写出视频
with open('视频.mp4','wb') as f:
    f.write(res)
print("写出成功！")

4.6 存储为excel

sheet.write（行，列，内容）

注意：行和列都是从0开始的，保存的格式为：.xls

#导入写出excel的库
import xlwt

#写入的数据
tn=['姓名','性别','年龄']
wb=['玲华','女','18']
#1、创建Workbook对象，就是创建Excel文件
work_boot=xlwt.Workbook(encoding='utf-8');

#2、创建sheet表单
sheet=work_boot.add_sheet('formName') #formName为表单名称

#3、写入内容
for i in range(len(wb)):
    sheet.write(0,i,tn[i])   #write(行,列,内容)
    sheet.write(1,i,wb[i])

#保存文件
work_boot.save("个人信息.xls")

五、爬虫实战操作

实战是需要自己去分析网页结构的，博主代码只是一种参考，还是要自己去分析。

5.1 百度热搜榜

获取标题、热度、简介、新闻链接、图片、文本保存为txt，并输出

注意：这里没有自动创建保存文件的文件夹，自行修改

#导入库文件
import requests
from bs4 import BeautifulSoup

#请求头
headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.42'}
#请求地址
url='https://top.baidu.com/board?tab=realtime'

def Hot_search():
        #发起请求
        html=requests.get(url=url,headers=headers).text;
        #解析为bs4
        res=BeautifulSoup(html,"html.parser")
        #获取类名获取指定的div（包含所有的新闻信息）
        news_div=res.find_all("div",class_="category-wrap_iQLoo horizontal_1eKyQ")
        #遍历div（提取每一个新闻）
        for new in news_div:
            try:
                #获取新闻的标题（标题在下标为0的地方，获取文本）
                title=new.find_all("div",class_="c-single-text-ellipsis")[0].text
                #获取新闻的热度（热度在下标为0的地方，获取文本）
                hot=new.find_all("div",class_="hot-index_1Bl1a")[0].text
                #获取新闻的简介（简介在下标为0的地方，获取文本）
                conent=new.find_all("div",class_="hot-desc_1m_jR small_Uvkd3 ellipsis_DupbZ")[0].text
                #获取新闻的链接（通过第一个a标签，的href属性获取）
                newUrl=new.find('a').attrs.get('href')
                #获取要下载的图片链接的img标签（标签在下标为0的地方）
                imgUrl=new.find_all("img")[0]
                #获取要下载的图片链接（通过img的src属性获取）
                imgUrl=imgUrl.attrs.get('src')
                print('\n'+'标题：' + str(title) + '\n' + '热度：' + str(hot) + '\n' + '简介：' + str(conent) + '\n' + '新闻链接：' + str(newUrl) + '\n\n')
                #请求图片
                img=requests.get(url=imgUrl,headers=headers).content
                #写出图片
                with open('./百度热搜/' + str(title.strip()) + '.png', 'wb') as f:
                    f.write(img)
                #写出文本
                with open('./百度热搜/热搜文本.txt', 'a') as f:
                    f.write('\n'+'标题：' + str(title) + '\n' + '热度：' + str(hot) + '\n' + '简介：' + str(conent) + '\n' + '新闻链接：' + str(newUrl) + '\n\n')
            except:
                continue;
        print('写出成功！')
        
Hot_search()

5.2 爬取图片壁纸

注意：这里没有自动创建保存文件的文件夹，自行修改

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/95.0.4638.54 Safari/537.36 Edg/95.0.1020.40"
}


def indexUrl():
    indexUrls = ['http://www.netbian.com/meinv/index.htm']
    for i in range(2,4):
        indexUrls.append('http://www.netbian.com/meinv/index_'+str(i)+'.htm')
    #保存图片链接
    imgUrls=[]
    #当作图片名字
    imgName=1;
    for i in indexUrls:
        html=requests.get(url=i,headers=headers).content.decode('gbk')

        soup=BeautifulSoup(html,'html.parser')
        Alable=soup.find('div',class_='list').find_all('a')
        # print(Alable)
        for i in Alable:
            #获取图片地址的后半段地址
            iUrlP=i.attrs.get('href')
            #去除无效地址
            if 'http' in iUrlP:
                continue;
            #将残缺的图片页面地址拼起来，形成完整图片页面地址
            imgUrlP= 'http://www.netbian.com' + iUrlP
            #向图片网页发起请求
            imgPage=requests.get(url=imgUrlP,headers=headers).content.decode('gbk')
            #将请求回来的源码转换为bs4
            soup=BeautifulSoup(imgPage,'html.parser')
            #获取图片链接地址
            imgUrl=soup.find_all('div',class_='pic')[0].find('img').attrs.get('src')
            #将图片地址保存到列表中（可以不存）
            imgUrls.append(imgUrl)
            #向图片地址发起请求
            imgget=requests.get(url=imgUrl,headers=headers).content;
            #下载图片
            with open('./壁纸/'+str(imgName)+'.jpg','wb') as f:
                f.write(imgget)
                imgName+=1;
    print('下载成功')

indexUrl()

5.3 豆瓣电影 Top 250

结果保存到excel中的

import requests;
from bs4 import BeautifulSoup
import xlwt

# https://movie.douban.com/top250?start=25&filter=
headers={'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36 Edg/106.0.1370.42'}


#获取翻页页面连接
def top250Urls():
    purls=[]
    urls=[]
    for i in range(0,25,25):
        url = 'https://movie.douban.com/top250?start='+str(i)+'&filter='
        purls.append(url)
    for purl in purls:
        html=requests.get(url=purl,headers=headers).content.decode('utf-8')
        soup=BeautifulSoup(html,'html.parser')
        movie_div = soup.find_all('div', class_='item')
        for movie in movie_div:
            movieUrl = movie.find_all("div", class_="pic")[0]
            movieUrl=movieUrl.find('a')
            movieUrl=movieUrl.attrs.get('href')
            urls.append(movieUrl)
    return urls,



def Top250():
    moviesTop=[]
    urls=top250Urls()[0]
    for url in urls:
        html=requests.get(url=url,headers=headers).content.decode('utf-8')
        soup=BeautifulSoup(html,"html.parser")
        title=soup.find_all('span',property="v:itemreviewed")[0].text;
        move_info=soup.find_all('div',id="info")[0]
        performer=move_info.find_all('a',rel="v:starring")
        actors=[]
        for per in performer:
            actors.append(per.text)
        typeSpan=move_info.find_all('span',property="v:genre")
        types=[]
        for type in typeSpan:
            types.append(type.text)
        content = soup.find_all('span', property="v:summary")[0].text.strip('\n')
        movies={
            'title': title,
            'performer': actors,
            'type': types,
            'content': content
        }
        moviesTop.append(movies)
    WriteExcle(moviesTop)
        # return moviesTop;



def WriteExcle(movies):
    try:
        #1、创建Workbook对象，就是创建Excel文件
        work_boot=xlwt.Workbook(encoding='utf-8');
        #2、创建sheet表单
        sheet=work_boot.add_sheet('formName') #formName为表单名称
        #3、写入Excel表头
        header=['电影名','演员','类型','电影简介'];
        for i in range(len(header)):
            sheet.write(0,i,header[i]);  #write(行,列,内容)

        #写入Excel内容
        for i in  range(len(movies)):
            sheet.write(i+1,0,movies[i]['title'])
            sheet.write(i+1, 1, movies[i]['performer'])
            sheet.write(i+1, 2, movies[i]['type'])
            sheet.write(i+1, 3, movies[i]['content'])
        #保存文件
        work_boot.save("小电影.xls")
        print('写入成功！')
    except:
        print('写入失败！')

Top250()

求求点赞、评论、收藏呀~

标签：soup,python,标签,wrap,bs4,div,print,requests,find
From： https://www.cnblogs.com/akc4/p/16804288.html