欲学爬虫,scrapy是python的重点,scrapy是框架,核心还是解析html元素,这方面专业的还是BeautifulSoup。
这是官方文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id9
多看官方文档,多练习,基本上可以掌握的很清晰!
1 配置
1,1配置模拟浏览器
from bs4 import BeautifulSoup
import requests
url='http://example.com/'
header = {'User-Agent': 'Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.11) Gecko/20100101 Firefox/36.0'}Gecko/20100101 Firefox/36.0'}
response = requests.get(url, headers=header)
html=response.text
soup=BeautifulSoup(html,'lxml')#这里可以指定解析器类型 lxml,html.parser
print soup.p
各个解析器的特点
beautifulsoup负责获取对象,或者对象的集合,剩下来比较重要的就是迭代集合和输出结果
2 bs解析原理
soup=BeautifulSoup(html,’lxml’)
soup.a —-< ‘a href=”http://www.iana.org/domains/example”>More information…<’/’a>
soup.a.attrs ——{‘href’: ‘http://www.iana.org/domains/example‘}
soup.a.text ———-More information…
soup.a[‘href’] ——-http://www.iana.org/domains/example
soup.a.prettify() —–格式化输出
< a href=”http://www.iana.org/domains/example”>
More information…
<’/’a>
正则解析
导入re模块
for str in soup.find_all(‘img’,{“src”:re.compile(“http:\/\/mm.*.jpg”)}):
print str
3 实际案例
3.1 从妹子图这个网站上抓图片
from bs4 import BeautifulSoup
from urllib import urlopen
import re
import requests
url='http://www.meizitu.com/'
header = {'User-Agent': 'Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.11) Gecko/20100101 Firefox/36.0'} Gecko/20100101 Firefox/36.0'}
response = requests.get(url, headers=header)
html=response.text
soup=BeautifulSoup(html,'lxml')
imgs= soup.find_all('img',{"src":re.compile("http:\/\/mm.*.jpg")}) #正则匹配链接地址
for i,img in enumerate(imgs):
try:
html=urlopen(img['src'])
data=html.read()
fileName="{}/{}.jpg".format('e:/photo/',i+1) #批量命名文件
print ("loading",fileName )
with open(fileName,'wb') as f:
f.write(data)
except Exception:
print ("地址错误")
以上主要是beautifulsoup对tag的解析,获取url以后,重点是文件的写入
3.2 从淘宝女郎上面抓mm的信息和图片
import os
import threading
import re
from bs4 import BeautifulSoup
from urllib import urlopen
from selenium import webdriver
browserPath = 'phantomjs-1.9.2-windows/phantomjs.exe'
homePage = 'https://mm.taobao.com/search_tstar_model.htm?'
outputDir = 'e:/photo/'
parser = 'lxml'
def main():
driver = webdriver.PhantomJS(executable_path=browserPath) #浏览器的地址
driver.get(homePage) #访问目标网页地址
bsObj = BeautifulSoup(driver.page_source, parser) #解析目标网页的 Html 源码
print("[*]OK GET Page")
driver=webdriver.Firefox()
print 'a'
driver.implicitly_wait(10)
print 'b'
girlsList = driver.find_element_by_id('J_GirlsList').click()
#获得主页上所有妹子的姓名、所在城市、身高、体重等信息 .text.split('\n')
imagesUrl = re.findall('\/\/gtd\.alicdn\.com\/sns_logo.*\.jpg',
driver.page_source) #获取所有妹子的封面图片
girlsUrl = bsObj.find_all(
"a",
{"href": re.compile("\/\/.*\.htm\?(userId=)\d*")}) #解析出妹子的个人主页地址等信息
girlsNL = girlsList[::3]
# 所有妹子的身高体重
girlsHW = girlsList[1::3]
# 所有妹子的个人主页地址
girlsHURL = [('http:' + i['href']) for i in girlsUrl]
# 所有妹子的封面图片地址
girlsPhotoURL = [('https:' + i) for i in imagesUrl]
girlsInfo = zip(girlsNL, girlsHW, girlsHURL, girlsPhotoURL)
# 姓名地址 girlNL, 身高体重 girlHW
# 个人主页地址 girlHRUL, 封面图片 URL
for girlNL, girlHW, girlHURL, girlCover in girlsInfo:
print("[*]Girl :", girlNL, girlHW)
# 为妹子建立文件夹
mkdir(outputDir + girlNL)
print(" [*]saving...")
# 获取妹子封面图片
data = urlopen(girlCover).read()
with open(outputDir + girlNL + '/cover.jpg', 'wb') as f:
f.write(data)
print(" [+]Loading Cover... ")
# 获取妹子个人主页中的图片
getImgs(girlHURL, outputDir + girlNL)
driver.close()
def mkdir(path):
# 判断路径是否存在
isExists = os.path.exists(path)
# 判断结果
if not isExists:
# 如果不存在则创建目录
print(" [*]新建了文件夹", path)
# 创建目录操作函数
os.makedirs(path)
else:
# 如果目录存在则不创建,并提示目录已存在
print(' [+]文件夹', path, '已创建')
def getImgs(url, path):
driver = webdriver.PhantomJS(executable_path=browserPath)
driver.get(url)
print(" [*]Opening...")
bsObj = BeautifulSoup(driver.page_source, parser)
#获得模特个人页面上的艺术照地址
imgs = bsObj.find_all("img", {"src": re.compile(".*\.jpg")})
for i, img in enumerate(imgs[1:]): #不包含与封面图片一样的头像
try:
html = urlopen('https:' + img['src'])
data = html.read()
fileName = "{}/{}.jpg".format(path, i + 1)
print(" [+]Loading...", fileName)
with open(fileName, 'wb') as f:
f.write(data)
except Exception:
print(" [!]Address Error!")
driver.close()
if __name__ == '__main__':
if not os.path.exists(outputDir):
os.makedirs(outputDir)
main()
重点是selenium 的webdriver,是一个强大的网络数据采集工具,最初是为网站自动化测试而开发的。近几年,他还被广泛用于获取精确的网站快照,因为他们可以直接运行在浏览器上。Selenium 可以让浏览器自动加载页面,获取需要的数据,甚至页面截屏,或者判断网站上某些动作上是否发生。但是selenium需要指定浏览器,还要安装对应的核心驱动,配置起来比较麻烦。博主尝试了很多次,还是一直can`t find element ,主要问题就是webdriver的配置有问题。
driver.implicitly_wait(10) 以及在firfox安装文件下面安装geckodriver.exe 是常用的解决方案