python爬虫入门教程:轻松爬取网页上的数据

随着网络的普及和信息爆炸式增长，我们可以通过网络来获取各种各样的数据。而Python作为一门强大而灵活的编程语言，可以帮助我们快速地从HTML网页中提取数据。本文将介绍Python爬虫的入门知识，并详细讲解如何使用Python爬虫来爬取HTML网页上的数据。    

在做数据抓取前我们需要从下面几个方法来入手：
1.了解HTML和网页结构
2.安装和导入相关依赖库
3.发送http请求获取网页内容
4.解析HTML网页内容
5.定位内容和提取数据
6.保存抓取的数据

一、了解HTML和网页结构
       在开始编写爬虫之前，了解HTML和网页的结构是非常重要的。HTML是一种标记语言，用来描述网页的结构，它由各种标签（tag）和属性组成。在爬取HTML网页时，我们需要了解网页的结构，明确要爬取的数据所在的标签和属性。
1. DOCTYPE声明：位于网页的顶部，用来指定网页所使用的HTML版本。
2. head部分：位于DOCTYPE声明之后，用来定义网页的元数据和链接外部文件，包括标题（title）、引入CSS样式表、引入JavaScript脚本等。
3. body部分：位于head部分之后，用来定义网页的实际内容。可以包括标题、段落、图片、链接、表格、列表等。
       HTML标签通过尖括号（<>）进行标记，有两种类型的标签：起始标签和结束标签。起始标签用来标记元素的开始，结束标签用来标记元素的结束。例如，`<p>`是一个段落的起始标签，`</p>`是一个段落的结束标签。
        标签可以包含属性，用来提供更多的信息。属性以键值对的形式出现在标签的起始标签中，例如`<img src="image.jpg" alt="图片">`，其中`src`和`alt`就是img标签的属性。
       另外，HTML还有一些常见的元素，如链接元素（`<a>`）、图片元素（`<img>`）、标题元素（`<h1>`到`<h6>`）、列表元素（`<ul>`、`<ol>`和`<li>`）等，这些元素可以用来构建网页的结构和内容。
       通过理解HTML和网页的结构，我们可以更好地进行数据爬取。可以通过使用BeautifulSoup库或者查看网页源代码来分析网页的结构，找到我们需要爬取的数据所在的标签和属性，进而进行相应的数据提取。

二、安装和导入相关库
       Python有很多库可以用来进行网页爬取，最常见的是BeautifulSoup库和requests库。我们需要先安装这些库，并在代码中导入它们。
# -*- coding: UTF-8 -*-
import os
import time
import requests
from bs4 import BeautifulSoup
from openpyxl import Workbook

三、发送HTTP请求获取网页内容
演示网页地址：https://www.maigoo.com/news/484526.html
（注：演示地址为真实网页地址，请勿做非法侵入，如有侵权请联系本人删除文章。）
       使用requests库可以发送HTTP请求来获取网页的内容。我们可以使用get方法发送一个HTTP GET请求，并将网页的内容保存到一个变量中。
# 创建Excel文件
wb = Workbook()
ws = wb.active
# 爬取地址
url = f'https://www.maigoo.com/news/484526.html'
# 请求header
header = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                        'Chrome/112.0.0.0 Safari/537.36',
          'cookie': '__yjs_duid=1_b1ac9fc87dce4de5552d7cf0924fb4981686228951567; u=b0281776fd75d3eefeb3562b2a5e6534; '
                    '__bid_n=1889b14047a51b2b754207; '
                    'FPTOKEN=qU+ieOMqkW6y6DlsOZ+D/T'
                    '+SCY6yS3dYvGXKibFoGBijKuUuSbc3ACFDzjlcC18wuDjNLENrw4ktAFAqnl3Akg492Lr4fbvNrkdJ'
                    '/ZQrluIdklkNDAKYnPrpcbe2H9y7AtX+/b+FCTkSTNv5+qB3OtQQ3BXXsEen72oEoAfK+H6'
                    '/u6ltZPdyHttJBJiXEDDS3EiUVt+S2w+8ozXENWbNt/AHeCgNUMmdeDinAKCR+nQSGK/twOoTLOU/nxBeSAazg'
                    '+wu5K8ooRmW00Bk6XAqC4Cb829XR3UinZHRsJxt7q9biKzYQh'
                    '+Yu5s6EHypKwpA6RPtVAC1axxbxza0l5LJ5hX8IxJXDaQ6srFoEzQ92jM0rmDynp+gT'
                    '+3qNfEtB2PjkURvmRghGUn8wOcUUKPOqg==|mfg5DyAulnBuIm/fNO5JCrEm9g5yXrV1etiaV0jqQEw=|10'
                    '|dcfdbf664758c47995de31b90def5ca5; PHPSESSID=18397defd82b1b3ef009662dc77fe210; '
                    'Hm_lvt_de3f6fd28ec4ac19170f18e2a8777593=1686322028,1686360205; '
                    'history=cid%3A2455%2Ccid%3A2476%2Ccid%3A5474%2Ccid%3A5475%2Ccid%3A2814%2Cbid%3A3667; '
                    'Hm_lpvt_de3f6fd28ec4ac19170f18e2a8777593=1686360427'}
response = requests.get(url, headers=header)
time.sleep(0.01)
# print(response)

四、解析HTML内容
       通过F12打开网页自带的调试功能，找到需要抓取数据的内容。

       通过BeautifulSoup库可以对HTML内容进行解析。我们可以将网页的内容传入BeautifulSoup的构造函数中，并指定解析器。解析后的内容可以通过调用BeautifulSoup对象的方法来访问和过滤。
# 获取网页信息
# soup = BeautifulSoup(response.content, 'lxml')
soup = BeautifulSoup(response.content, 'html.parser')
# print(soup)

# 解析网页数据
# tr_tags = soup.find('div', class_="md_1009 modelbox tcenter").get_text()
tr_tags = soup.find_all('div', class_="md_1009 modelbox tcenter")
# print(tr_tags)

五、定位和提取数据
       通过分析网页的结构，我们可以找到要爬取的数据所在的标签和属性。在使用BeautifulSoup库时，可以使用CSS选择器或XPath语法来定位和提取数据。通过调用相应的方法，我们可以获取到所需的数据，例如获取文本内容、获取属性值等。

# 循环遍历获取tr标签下的td标签文本
td_tags = soup.select('tr td')
for i in range(0, len(td_tags), 2):
    school_name = td_tags[i].get_text()
    address = td_tags[i + 1].get_text()
    # score = td_tags[i + 2].get_text()
    time.sleep(0.1)
    print(f'正在爬取：--{school_name}--{address}--')
    # 将数据项转换为一个元组
    row = (school_name, address)
    # 将数据行写入 Excel 表格
    ws.append(row)
六、保存爬取的数据
       最后，我们可以将爬取到的数据保存到本地文件或数据库中。可以使用Python的文件操作来保存数据到文件中，也可以使用数据库操作库来保存数据到数据库中。
# # 将文件保存到桌面
desktop_path = os.path.join(os.path.expanduser("~"), "Desktop")
file_path = os.path.join(desktop_path, "学校数据爬取.xlsx")
wb.save(file_path)

打开桌面爬取的Excel数据，我们想要的数据已经全部爬取到Excel文件中了。


七、注意事项 
      在进行网页爬取时，需要遵守网站的规则和法律法规。不要频繁发送请求，以免给目标网站造成过大的负担。此外，获取到的数据应该进行合法和合规的使用。

八、完整源码分享
       如有需要同学可以拿去看看，源码开箱即用，但需要注意Python环境的搭建和相关依赖库的安装。
# -*- coding: UTF-8 -*-

import os
import time
import requests
from bs4 import BeautifulSoup
from openpyxl import Workbook


# 创建Excel文件
wb = Workbook()
ws = wb.active
# 爬取地址
url = f'https://www.maigoo.com/news/484526.html'
# 请求header
header = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) '
                        'Chrome/112.0.0.0 Safari/537.36',
          'cookie': '__yjs_duid=1_b1ac9fc87dce4de5552d7cf0924fb4981686228951567; u=b0281776fd75d3eefeb3562b2a5e6534; '
                    '__bid_n=1889b14047a51b2b754207; '
                    'FPTOKEN=qU+ieOMqkW6y6DlsOZ+D/T'
                    '+SCY6yS3dYvGXKibFoGBijKuUuSbc3ACFDzjlcC18wuDjNLENrw4ktAFAqnl3Akg492Lr4fbvNrkdJ'
                    '/ZQrluIdklkNDAKYnPrpcbe2H9y7AtX+/b+FCTkSTNv5+qB3OtQQ3BXXsEen72oEoAfK+H6'
                    '/u6ltZPdyHttJBJiXEDDS3EiUVt+S2w+8ozXENWbNt/AHeCgNUMmdeDinAKCR+nQSGK/twOoTLOU/nxBeSAazg'
                    '+wu5K8ooRmW00Bk6XAqC4Cb829XR3UinZHRsJxt7q9biKzYQh'
                    '+Yu5s6EHypKwpA6RPtVAC1axxbxza0l5LJ5hX8IxJXDaQ6srFoEzQ92jM0rmDynp+gT'
                    '+3qNfEtB2PjkURvmRghGUn8wOcUUKPOqg==|mfg5DyAulnBuIm/fNO5JCrEm9g5yXrV1etiaV0jqQEw=|10'
                    '|dcfdbf664758c47995de31b90def5ca5; PHPSESSID=18397defd82b1b3ef009662dc77fe210; '
                    'Hm_lvt_de3f6fd28ec4ac19170f18e2a8777593=1686322028,1686360205; '
                    'history=cid%3A2455%2Ccid%3A2476%2Ccid%3A5474%2Ccid%3A5475%2Ccid%3A2814%2Cbid%3A3667; '
                    'Hm_lpvt_de3f6fd28ec4ac19170f18e2a8777593=1686360427'}
response = requests.get(url, headers=header)
time.sleep(0.01)
# print(response)

# 获取网页信息
# soup = BeautifulSoup(response.content, 'lxml')
soup = BeautifulSoup(response.content, 'html.parser')
# print(soup)

# 解析网页数据
# tr_tags = soup.find('div', class_="md_1009 modelbox tcenter").get_text()
tr_tags = soup.find_all('div', class_="md_1009 modelbox tcenter")
# print(tr_tags)

# 循环遍历获取tr标签下的td标签文本
td_tags = soup.select('tr td')
for i in range(0, len(td_tags), 2):
    school_name = td_tags[i].get_text()
    address = td_tags[i + 1].get_text()
    # score = td_tags[i + 2].get_text()
    time.sleep(0.1)
    print(f'正在爬取：--{school_name}--{address}--')
    # 将数据项转换为一个元组
    row = (school_name, address)
    # 将数据行写入 Excel 表格
    ws.append(row)

# # 将文件保存到桌面
desktop_path = os.path.join(os.path.expanduser("~"), "Desktop")
file_path = os.path.join(desktop_path, "重庆市小学爬取.xlsx")
wb.save(file_path)

print('数据爬取完成！')

以上就是“python爬虫入门教程:轻松爬取网页上的数据”的详细内容，想要了解更多IT圈内资讯欢迎持续关注编程学习网。