python3使用requests模块爬取页面内容的实战演练


            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('//www.zwyuanma.com/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?key=val。 Requests 允许你使用 params 关键字参数，以一个字符串字典来提供这些参数。

举例来说，当我们google搜索“python爬虫”关键词时，newwindow(新窗口打开)、q及oq(搜索关键词)等参数可以手工组成URL ，那么你可以使用如下代码：





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



>>> r = requests.get("http://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('http://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中文源码网。