利用Python进行网络爬虫：Beautiful Soup和Requests的应用【第131篇—Beautiful Soup】

2024-03-16 12:36
文章标签 python 进行 应用 网络 爬虫 131 requests beautiful soup

本文主要是介绍利用Python进行网络爬虫：Beautiful Soup和Requests的应用【第131篇—Beautiful Soup】，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

利用Python进行网络爬虫：Beautiful Soup和Requests的应用

在网络数据变得日益丰富和重要的今天，网络爬虫成为了获取和分析数据的重要工具之一。Python作为一种强大而灵活的编程语言，在网络爬虫领域也拥有广泛的应用。本文将介绍如何使用Python中的两个流行库Beautiful Soup和Requests来创建简单而有效的网络爬虫，以便从网页中提取信息。
在这里插入图片描述

什么是Beautiful Soup和Requests？

  • Requests：是一个简单而优雅的HTTP库，用于发送HTTP请求。它使得从网站获取数据变得非常容易，而且可以处理各种类型的HTTP请求和响应。

  • Beautiful Soup：是一个用于解析HTML和XML文档的Python库。它提供了许多方便的方法来浏览、搜索和修改解析树，使得从网页中提取信息变得非常简单。

安装和导入库

首先，确保你已经安装了这两个库。你可以使用pip来安装它们：

pip install requests beautifulsoup4

安装完成后，让我们开始编写我们的网络爬虫！

示例：提取网页中的标题和链接

我们将以一个简单的例子开始，从一个网页中提取标题和链接。假设我们要从一个博客页面中提取标题和对应的文章链接。

import requests
from bs4 import BeautifulSoup# 定义要爬取的网页地址
url = 'https://xxxx/blog'# 发送HTTP请求获取页面内容
response = requests.get(url)# 使用Beautiful Soup解析页面内容
soup = BeautifulSoup(response.text, 'html.parser')# 找到所有的标题和链接
titles = soup.find_all('h2', class_='post-title')
links = [title.a['href'] for title in titles]# 输出标题和链接
for i in range(len(titles)):print("标题:", titles[i].text.strip())print("链接:", links[i])print()

代码解析

  1. 我们首先导入了requests和BeautifulSoup库。
  2. 定义了要爬取的网页地址。
  3. 使用requests.get()方法发送HTTP请求，获取页面的响应内容。
  4. 通过BeautifulSoup将页面内容解析成一个HTML文档对象。
  5. 使用find_all()方法找到页面中所有的标题，指定了标题的标签为<h2>，并且指定了它们的类名为post-title。
  6. 通过循环遍历每个标题，提取出标题文本和对应的链接。
  7. 最后输出标题和链接。

示例：提取网页中的图片链接和保存图片

在这个示例中，我们将学习如何从网页中提取图片链接，并将图片保存到本地文件系统中。

import os
import requests
from bs4 import BeautifulSoup# 定义要爬取的网页地址
url = 'https://xxxx/gallery'# 发送HTTP请求获取页面内容
response = requests.get(url)# 使用Beautiful Soup解析页面内容
soup = BeautifulSoup(response.text, 'html.parser')# 找到所有的图片链接
image_links = [img['src'] for img in soup.find_all('img')]# 创建保存图片的文件夹
if not os.path.exists('images'):os.makedirs('images')# 下载图片并保存到本地
for i, link in enumerate(image_links):image_name = f'image_{i}.jpg'image_path = os.path.join('images', image_name)with open(image_path, 'wb') as f:img_data = requests.get(link).contentf.write(img_data)print(f"图片 '{image_name}' 已保存。")

代码解析

  1. 我们继续导入requests和BeautifulSoup库，以及Python的os模块。
  2. 定义了要爬取的网页地址。
  3. 发送HTTP请求并获取页面的响应内容。
  4. 使用BeautifulSoup解析页面内容。
  5. 使用find_all()方法找到页面中所有的图片标签，并提取出它们的src属性，即图片链接。
  6. 检查本地是否存在用于保存图片的文件夹，如果不存在则创建它。
  7. 使用循环遍历所有的图片链接，下载图片并保存到本地文件系统中。我们使用了enumerate()函数来同时获取图片的索引和链接。
  8. 每次下载完成后，打印出图片的保存信息。

示例：爬取动态加载的内容

有时，网页中的内容可能是通过 JavaScript 动态加载的，这时候我们不能简单地通过静态页面的解析来获取内容。我们需要使用更高级的技术，例如模拟浏览器行为或使用 AJAX 请求来获取动态内容。下面是一个示例，演示如何使用 Selenium 库来爬取动态加载的内容。

首先，确保你已经安装了 Selenium 库。你可以使用下面的命令进行安装：

pip install selenium

然后，下载并安装相应浏览器的 WebDriver。你可以从浏览器官方网站下载，例如 Chrome 的 WebDriver 可以从 Chrome WebDriver 获取。

下面是一个示例代码，演示了如何使用 Selenium 来爬取动态加载的内容：

from selenium import webdriver
from selenium.webdriver.chrome.service import Service
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys
from selenium.webdriver.chrome.options import Options
import time# 设置 Chrome WebDriver 的路径
webdriver_path = '/path/to/chromedriver'# 创建 Chrome WebDriver
service = Service(webdriver_path)
chrome_options = Options()
chrome_options.add_argument("--headless")  # 无头模式，不打开浏览器界面
driver = webdriver.Chrome(service=service, options=chrome_options)# 加载页面
driver.get("https://xxxx/dynamic-content")# 模拟滚动浏览器窗口，触发动态加载
for i in range(5):driver.execute_script("window.scrollTo(0, document.body.scrollHeight);")time.sleep(2)  # 等待页面加载# 提取动态加载的内容
elements = driver.find_elements(By.XPATH, "//div[@class='dynamic-content']")
for element in elements:print(element.text)# 关闭 WebDriver
driver.quit()

代码解析

  1. 我们导入了 webdriver 模块以及一些相关的类和方法。
  2. 设置了 Chrome WebDriver 的路径，创建了 Chrome WebDriver 实例。
  3. 使用 get() 方法加载目标网页。
  4. 使用 execute_script() 方法模拟滚动浏览器窗口，触发动态加载内容的加载。
  5. 使用 find_elements() 方法通过 XPath 查找动态加载的内容元素。
  6. 遍历找到的元素并输出它们的文本内容。
  7. 最后关闭 WebDriver。

示例：处理登录认证

有些网站需要用户登录后才能访问某些页面或获取某些内容。下面是一个示例，演示了如何使用 Selenium 模拟登录认证，然后爬取登录后的内容。

from selenium import webdriver
from selenium.webdriver.common.by import By
from selenium.webdriver.common.keys import Keys# 设置 Chrome WebDriver 的路径
webdriver_path = '/path/to/chromedriver'# 创建 Chrome WebDriver
driver = webdriver.Chrome(webdriver_path)# 加载登录页面
driver.get("https://xxxx/login")# 找到用户名和密码输入框，并输入登录信息
username_field = driver.find_element(By.ID, "username")
password_field = driver.find_element(By.ID, "password")username_field.send_keys("your_username")
password_field.send_keys("your_password")# 找到登录按钮并点击
login_button = driver.find_element(By.XPATH, "//button[@type='submit']")
login_button.click()# 登录成功后，等待一段时间，确保页面加载完成
driver.implicitly_wait(10)  # 等待时间可以根据实际情况调整。在这里，我们等待了 10 秒钟，以确保页面加载完成。你也可以根据实际情况调整等待时间。

一旦登录成功并且页面加载完成，你就可以开始爬取登录后的内容了。以下是一个简单的示例，演示了如何查找登录后页面中的某些元素并提取它们的文本内容：

# 爬取登录后页面的内容
welcome_message = driver.find_element(By.XPATH, "//h1[contains(text(), 'Welcome')]").text
user_info = driver.find_element(By.XPATH, "//div[@class='user-info']").textprint("欢迎信息:", welcome_message)
print("用户信息:", user_info)# 关闭 WebDriver
driver.quit()

代码解析

  1. 使用 find_element() 方法查找用户名和密码输入框，并使用 send_keys() 方法输入登录信息。
  2. 使用 find_element() 方法找到登录按钮，并使用 click() 方法点击按钮进行登录。
  3. 使用 implicitly_wait() 方法等待一段时间，确保页面加载完成。
  4. 使用 find_element() 方法查找登录后页面中的元素，并提取它们的文本内容。
  5. 输出提取到的内容。
  6. 最后关闭 WebDriver。

在前面的示例中，我们使用了硬编码的方式来输入用户名和密码。然而，在实际情况中，我们可能需要更安全和更灵活的方法来处理用户凭据。下面是一个示例，演示了如何使用 getpass 模块来安全地输入密码，并且如何从外部文件中读取凭据信息。

首先，确保你已经安装了 getpass 模块：

pip install getpass

然后，假设我们有一个外部文件 credentials.txt，其中包含用户名和密码，格式如下：

username: your_username
password: your_password

以下是相应的代码示例：

from selenium import webdriver
from selenium.webdriver.common.by import By
from getpass import getpass# 设置 Chrome WebDriver 的路径
webdriver_path = '/path/to/chromedriver'# 创建 Chrome WebDriver
driver = webdriver.Chrome(webdriver_path)# 加载登录页面
driver.get("https://xxx/login")# 从外部文件读取用户名和密码
with open("credentials.txt", "r") as file:lines = file.readlines()username = lines[0].strip().split(": ")[1]password = lines[1].strip().split(": ")[1]# 输入用户名
username_field = driver.find_element(By.ID, "username")
username_field.send_keys(username)# 输入密码（安全方式）
password = getpass("请输入密码：")
password_field = driver.find_element(By.ID, "password")
password_field.send_keys(password)# 找到登录按钮并点击
login_button = driver.find_element(By.XPATH, "//button[@type='submit']")
login_button.click()# 登录成功后，等待一段时间，确保页面加载完成
driver.implicitly_wait(10)# 爬取登录后页面的内容
welcome_message = driver.find_element(By.XPATH, "//h1[contains(text(), 'Welcome')]").text
user_info = driver.find_element(By.XPATH, "//div[@class='user-info']").textprint("欢迎信息:", welcome_message)
print("用户信息:", user_info)# 关闭 WebDriver
driver.quit()

代码解析

  1. 使用 getpass() 函数安全地输入密码，这样密码不会在控制台中显示出来。
  2. 使用文件读取操作从外部文件中读取用户名和密码，这样可以将凭据信息存储在安全的地方，避免了硬编码的方式。

总结：

在本文中，我们介绍了如何使用 Python 中的 Requests 和 Beautiful Soup 库以及 Selenium 模块来创建网络爬虫，并展示了不同场景下的实际应用。

首先，我们使用 Requests 和 Beautiful Soup 演示了如何从静态网页中提取信息，包括文本内容、链接和图片链接。这使得我们能够快速、有效地从网页中获取所需的数据。

接着，我们展示了如何使用 Selenium 模拟登录认证并爬取登录后的内容。登录认证是访问某些网站或页面所必需的操作之一，而使用 Selenium 可以模拟用户的真实操作，从而实现登录认证并获取登录后页面的内容。

最后，我们介绍了如何安全地处理用户凭据，包括使用 getpass 模块安全输入密码以及从外部文件中读取用户名和密码。这样的做法使得我们的代码更加安全和灵活，有效地保护用户的隐私信息。

通过本文的学习，读者可以掌握使用 Python 进行网络爬虫的基本原理和方法，并且了解如何处理一些常见的爬虫场景，如静态网页数据提取、动态加载内容和登录认证等。同时，我们也强调了在进行网络爬虫时需要遵守相关的法律法规和网站的使用规则，以避免侵犯他人的权益。

这篇关于利用Python进行网络爬虫：Beautiful Soup和Requests的应用【第131篇—Beautiful Soup】的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/815519。

相关文章

Python获取C++中返回的char*字段的两种思路

Python获取C++中返回的char*字段的两种思路

《Python获取C++中返回的char*字段的两种思路》有时候需要获取C++函数中返回来的不定长的char*字符串,本文小编为大家找到了两种解决问题的思路,感兴趣的小伙伴可以跟随小编一起学习一下... 有时候需要获取C++函数中返回来的不定长的char*字符串，目前我找到两种解决问题的思路，具体实现如下：
阅读更多...
python连接本地SQL server详细图文教程

python连接本地SQL server详细图文教程

《python连接本地SQLserver详细图文教程》在数据分析领域,经常需要从数据库中获取数据进行分析和处理,下面：本文主要介绍python连接本地SQLserver的相关资料,文中通过代码... 目录一.设置本地账号1.新建用户2.开启双重验证3,开启TCP/IP本地服务二js.python连接实例1.
阅读更多...
基于Python和MoviePy实现照片管理和视频合成工具

基于Python和MoviePy实现照片管理和视频合成工具

《基于Python和MoviePy实现照片管理和视频合成工具》在这篇博客中,我们将详细剖析一个基于Python的图形界面应用程序,该程序使用wxPython构建用户界面,并结合MoviePy、Pill... 目录引言项目概述代码结构分析1. 导入和依赖2. 主类：PhotoManager初始化方法：__in
阅读更多...
C语言函数递归实际应用举例详解

C语言函数递归实际应用举例详解

《C语言函数递归实际应用举例详解》程序调用自身的编程技巧称为递归,递归做为一种算法在程序设计语言中广泛应用,：本文主要介绍C语言函数递归实际应用举例的相关资料,文中通过代码介绍的非常详细,需要的朋... 目录前言一、递归的概念与思想二、递归的限制条件 三、递归的实际应用举例（一）求 n 的阶乘（二）顺序打印
阅读更多...
Python从零打造高安全密码管理器

Python从零打造高安全密码管理器

《Python从零打造高安全密码管理器》在数字化时代,每人平均需要管理近百个账号密码,本文将带大家深入剖析一个基于Python的高安全性密码管理器实现方案,感兴趣的小伙伴可以参考一下... 目录一、前言：为什么我们需要专属密码管理器二、系统架构设计2.1 安全加密体系2.2 密码强度策略三、核心功能实现详解
阅读更多...
Python Faker库基本用法详解

Python Faker库基本用法详解

《PythonFaker库基本用法详解》Faker是一个非常强大的库,适用于生成各种类型的伪随机数据,可以帮助开发者在测试、数据生成、或其他需要随机数据的场景中提高效率,本文给大家介绍PythonF... 目录安装基本用法主要功能示例代码语言和地区生成多条假数据自定义字段小结Faker 是一个 python
阅读更多...
SpringSecurity6.0 如何通过JWTtoken进行认证授权

SpringSecurity6.0 如何通过JWTtoken进行认证授权

《SpringSecurity6.0如何通过JWTtoken进行认证授权》：本文主要介绍SpringSecurity6.0通过JWTtoken进行认证授权的过程,本文给大家介绍的非常详细,感兴趣... 目录项目依赖认证UserDetailService生成JWT token权限控制小结之前写过一个文章，从S
阅读更多...
Python实现AVIF图片与其他图片格式间的批量转换

Python实现AVIF图片与其他图片格式间的批量转换

《Python实现AVIF图片与其他图片格式间的批量转换》这篇文章主要为大家详细介绍了如何使用Pillow库实现AVIF与其他格式的相互转换,即将AVIF转换为常见的格式,比如JPG或PNG,需要的小... 目录环境配置1.将单个 AVIF 图片转换为 JPG 和 PNG2.批量转换目录下所有 AVIF 图
阅读更多...
Python通过模块化开发优化代码的技巧分享

Python通过模块化开发优化代码的技巧分享

《Python通过模块化开发优化代码的技巧分享》模块化开发就是把代码拆成一个个“零件”,该封装封装,该拆分拆分,下面小编就来和大家简单聊聊python如何用模块化开发进行代码优化吧... 目录什么是模块化开发如何拆分代码改进版：拆分成模块让模块更强大：使用 __init__.py你一定会遇到的问题模www.
阅读更多...
详解如何通过Python批量转换图片为PDF

详解如何通过Python批量转换图片为PDF

《详解如何通过Python批量转换图片为PDF》：本文主要介绍如何基于Python+Tkinter开发的图片批量转PDF工具,可以支持批量添加图片,拖拽等操作,感兴趣的小伙伴可以参考一下... 目录1. 概述2. 功能亮点2.1 主要功能2.2 界面设计3. 使用指南3.1 运行环境3.2 使用步骤4. 核
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2