Python爬取求職網requests庫和BeautifulSoup庫使用詳解

一、requests庫

1、requests簡介

requests庫就是一個發起請求的第三方庫,requests允許你發送HTTP/1.1 請求,你不需要手動為 URL 添加查詢字串,也不需要對 POST 數據進行表單編碼。Keep-alive 和 HTTP 連接池的功能是 100% 自動化的,一切動力都來自於根植在 requests 內部的 urllib3。簡單來說有瞭這個庫,我們就能輕而易舉向對應的網站發起請求,從而對網頁數據進行獲取,還可以獲取服務器返回的響應內容和狀態碼。

requesets中文文檔頁面https://requests.kennethreitz.org/zh_CN/latest/

2、安裝requests庫

一般電腦安裝的Python都會自帶這個庫,如果沒有就可在命令行輸入下面這行代碼安裝

pip install requests

3、使用requests獲取網頁數據 我們先導入模塊

import requests
  • 對想要獲取數據的網站發起請求,以下以qq音樂官網為例
res = requests.get('https://y.qq.com/') #發起請求
print(res) #輸出<Response [200]>

輸出的200其實就是一個響應狀態碼,下面給大傢列出有可能返回的各狀態碼含義

狀態碼 含義
1xx 繼續發送信息
2xx 請求成功
3xx 重定向
4xx 客戶端錯誤
5xx 服務端錯誤
  • 獲取qq音樂首頁的網頁源代碼
res = requests.get('https://y.qq.com/')  #發起請求
print(res.text)   #res.text就是網頁的源代碼

4、總結requests的一些方法

屬性 含義
res.status_code HTTP的狀態碼
res.text 響應內容的文本
res.content 響應內容的二進制形式文本
res.encoding 響應內容的編碼

既然我們學好瞭如何獲取網頁源代碼,接下來我們就學習下怎麼用BeautifulSoup庫對我們獲取的內容進行提取。

二、BeautifulSoup庫

1、BeautifulSoup簡介

BeautifulSoup是Python裡的第三方庫,處理數據十分實用,有瞭這個庫,我們就可以根據網頁源代碼裡對應的HTML標簽對數據進行有目的性的提取。BeautifulSoup庫一般與requests庫搭配使用。 不熟的HTML標簽的最好去百度下,瞭解一些常用的標簽。

2、安裝BeautifulSoup庫

同樣的如果沒用這個庫,可以通過命令行輸入下列代碼安裝

pip install beautifulsoup4

3、使用BeautifulSoup解析並提取獲取的數據

import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header)  #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser')  #第一個參數是HTML文本,第二個參數html.parser是Python內置的編譯器
print(soup)  #輸出qq音樂首頁的源代碼

部分輸出結果

在這裡插入圖片描述

看到輸出結果,我們已經成功將網頁源代碼解析成BeautifulSoup對象。這時可能有人就會問res.text輸出的不就是網頁代碼瞭嗎,何苦再將它轉為BeautifulSoup對象呢?
我們先來通過type()函數看下它們的類型

import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) 	Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header)  #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser')  #第一個參數是HTML文本,第二個參數html.parser是Python內置的編譯器
print(type(res.text))
print(type(soup))

輸出結果

在這裡插入圖片描述

我們可以看到res.text的類型是字符串類型,而soup則是BeautifulSoup對象類型。相比於res.text的字符串類型,soup的BeautifulSoup對象類型擁有著更多可用的方法,以便我們快速提取出需要的數據。這就是為什麼我們要多此一步瞭。

4、BeautifulSoup提取數據的方法

  • 先來瞭解兩個最常用的方法
方法 作用
find() 返回第一個符合要求的數據
find_all() 返回所有符合要求的數據

這兩個函數傳入的參數就是我們對數據的篩選條件瞭,我們可以向這兩個函數分別傳入什麼參數呢?

我們以下面在qq音樂首頁截取的源代碼片段為例,試用兩個函數

		<div class="index__hd">
            <h2 class="index__tit"><i class="icon_txt">歌單推薦</i></h2>
        </div>
        <!-- 切換 -->
        <div class="mod_index_tab" data-stat="y_new.index.playlist">
	<a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item index_tab__item--current js_tag" data-index="0" data-type="recomPlaylist" data-id="1">為你推薦</a>
		    <a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item js_tag" data-type="playlist" data-id="3056">網絡歌曲</a>
	               <a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item js_tag" data-type="playlist" data-id="3256">綜藝</a>
		    <a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item js_tag" data-type="playlist" data-id="59">經典</a>
		    <a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item js_tag" data-type="playlist" data-id="3317">官方歌單</a>
		    <a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item js_tag" data-type="playlist" data-id="71">情歌</a>
        </div>

find()函數

如果想要獲取歌單推薦這一行的內容,我們就需要先對歌單推薦的HTML標簽進行識別,我們發現它在class=”icon_txt”的i標簽下,接著就可以通過以下這種方法進行提取

	import requests
	from bs4 import BeautifulSoup
	header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
	res = requests.get('https://y.qq.com/',headers=header)  #headers是一種反爬蟲措施
	soup = BeautifulSoup(res.text,'html.parser')  #第一個參數是HTML文本,第二個參數html.parser是Python內置的編譯器
	print(soup.find('i', class_='icon_txt'))  #找到 class_='icon_txt'的 i 標簽
	

因為 class 是 Python 中定義類的關鍵字,所以用 class_ 表示 HTML 中的 class

輸出結果

在這裡插入圖片描述

find_all()函數

如果我們想要把歌單推薦的全部主題提取下來的話,就要用到find_all()函數

同樣的,我們發現這幾個主題都在 class=”index_tab__item js_tag”的 a標簽下,這時為瞭避免篩選到源代碼中其他同為class=”index_tab__item js_tag”的標簽,我們需要再加多一個條件data-type=“playlist”,具體怎麼操作呢?

import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header)  #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser')  #第一個參數是HTML文本,第二個參數html.parser是Python內置的編譯器
print(soup.find('i', class_='icon_txt'))
items = soup.find_all('a',attrs={"class" :"index_tab__item js_tag","data-type":"playlist"})

實現的方法就是在第二個參數處傳入一個鍵值對,在裡面添加篩選的屬性

輸出結果

在這裡插入圖片描述

通過上面兩個小案例,我們發現find()和find_all()函數返回的是Tag對象和Tag對象組成的列表,而我們需要的並不是這一大串東西,我們需要的隻是Tag對象的text屬性或者href(鏈接)屬性,實現代碼如下

import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header)  #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser')  #第一個參數是HTML文本,第二個參數html.parser是Python內置的編譯器
tag1=soup.find('i', class_='icon_txt')
print(tag1.text)
items = soup.find_all('a',attrs={"class" :"index_tab__item js_tag","data-type":"playlist"})
for i in items:  #遍歷列表
    tag2=i.text
    print(tag2)
    

輸出結果

在這裡插入圖片描述

這樣我們就成功把主題的文本內容獲取瞭,而想要提取標簽中的屬性值,則可以用對象名[‘屬性’]的方法獲取,這裡就不演示瞭

本次分享就到這裡瞭,在下次介紹完反爬蟲和如何將數據寫進文件的方法後,我會結合我所寫的三篇文章的方法來做一個爬取求職網的實例跟大傢分享,有興趣的可以看下,謝謝大傢!

希望大傢以後多多支持WalkonNet!

推薦閱讀: