python3使用requests模块爬取页面内容的实战演练

站长资源 2024/11/26 佚名

9 1538 9

DDR爱好者之家 Design By 杰米

1.安装pip

我的个人桌面系统用的linuxmint，系统默认没有安装pip，考虑到后面安装requests模块使用pip，所以我这里第一步先安装pip。

$ sudo apt install python-pip

安装成功，查看PIP版本：

$ pip -V

2.安装requests模块

这里我是通过pip方式进行安装：

$ pip install requests

运行import requests，如果没提示错误，那说明已经安装成功了！

检验是否安装成功

3.安装beautifulsoup4

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航，查找、修改文档的方式。Beautiful Soup会帮你节省数小时甚至数天的工作时间。

$ sudo apt-get install python3-bs4

注：这里我使用的是python3的安装方式，如果你用的是python2,可以使用下面命令安装。

$ sudo pip install beautifulsoup4

4.requests模块浅析

1）发送请求

首先当然是要导入 Requests 模块：

> import requests

然后，获取目标抓取网页。这里我以下为例：

> r = requests.get('https://www.jb51.net/article/124421.htm')

这里返回一个名为 r 的响应对象。我们可以从这个对象中获取所有我们想要的信息。这里的get是http的响应方法，所以举一反三你也可以将其替换为put、delete、post、head。

2）传递URL参数

有时我们想为 URL 的查询字符串传递某种数据。如果你是手工构建 URL，那么数据会以键/值对的形式置于 URL 中，跟在一个问号的后面。例如， cnblogs.com/get"htmlcode">

> payload = {'newwindow': '1', 'q': 'python爬虫', 'oq': 'python爬虫'}

> r = requests.get("https://www.google.com/search", params=payload)

3）响应内容

通过r.text或r.content来获取页面响应内容。

> import requests

> r = requests.get('https://github.com/timeline.json')

> r.text

Requests 会自动解码来自服务器的内容。大多数 unicode 字符集都能被无缝地解码。这里补充一点r.text和r.content二者的区别，简单说：

resp.text返回的是Unicode型的数据；

resp.content返回的是bytes型也就是二进制的数据；

所以如果你想取文本，可以通过r.text，如果想取图片，文件，则可以通过r.content。

4）获取网页编码

> r = requests.get('http://www.cnblogs.com/')

> r.encoding

'utf-8'

5）获取响应状态码

我们可以检测响应状态码：

> r = requests.get('http://www.cnblogs.com/')

> r.status_code

200

5.案例演示

最近公司刚引入了一款OA系统，这里我以其官方说明文档页面为例，并且只抓取页面中文章标题和内容等有用信息。

演示环境

操作系统：linuxmint

python版本：python 3.5.2

使用模块：requests、beautifulsoup4

代码如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
_author_ = 'GavinHsueh'

import requests
import bs4

#要抓取的目标页码地址
url = 'http://www.ranzhi.org/book/ranzhi/about-ranzhi-4.html'

#抓取页码内容，返回响应对象
response = requests.get(url)

#查看响应状态码
status_code = response.status_code

#使用BeautifulSoup解析代码,并锁定页码指定标签内容
content = bs4.BeautifulSoup(response.content.decode("utf-8"), "lxml")
element = content.find_all(id='book')

print(status_code)
print(element)

程序运行返回爬去结果：

抓取成功

关于爬去结果乱码问题

其实起初我是直接用的系统默认自带的python2操作的，但在抓取返回内容的编码乱码问题上折腾了老半天，google了多种解决方案都无效。在被python2“整疯“之后，只好老老实实用python3了。对于python2的爬取页面内容乱码问题，欢迎各位前辈们分享经验，以帮助我等后生少走弯路。

后记

python的爬虫相关模块有很多，除了requests模块，再如urllib和pycurl以及tornado等。相比而言，我个人觉得requests模块是相对简单易上手的了。通过文本，大家可以迅速学会使用python的requests模块爬取页码内容。本人能力有限，如果文章有任何错误欢迎不吝赐教，其次如果大家有任何关于python爬去页面内容的疑难杂问，也欢迎和大家一起交流讨论。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。

python3,requests模块爬取,python爬取页面内容,python,requests爬取页面内容

DDR爱好者之家 Design By 杰米

广告合作：本站广告合作请联系QQ：858582 申请时备注：广告合作（否则不回）
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！

DDR爱好者之家 Design By 杰米

评论“python3使用requests模块爬取页面内容的实战演练”

暂无评论...

python3使用requests模块爬取页面内容的实战演练

Python使用修饰器执行函数的参数检查功能示例

浅谈python for循环的巧妙运用(迭代、列表生成式)

评论“python3使用requests模块爬取页面内容的实战演练”

稳了！魔兽国服回归的3条重磅消息！官宣时间再确认！

更新日志

友情链接