形象理解爬虫的四步

目标：爬取网站上的书名和简介

 

以下为代码：

 

import requests # 调用requests库
from bs4 import BeautifulSoup # 调用BeautifulSoup库

res = requests.get('https://localprod.pandateacher.com/python-manuscript/crawler-html/spider-men5.0.html') # 返回一个response对象，赋值给res

 

爬虫有四步：获取数据、解析数据、提取数据、保存数据

 

这一步就是获取数据，利用requests库中的get函数，在给定的网址中，获取数据，得到的东西是一个封装的response对象，对于对象，会有各种属性方法，我们要通过方法（打个比方就是对象是一个黑盒，方法是各种钥匙，不同的钥匙打开不同的门，不同的门里面包含着不同的数据）

 

html = res.text# 把res的内容以字符串的形式返回

这一步，就是运用了res对象中text方法，将对象中包含字符串的门，打开，使之将内容吐出来这里的 html 的类型是 string 字符串，对应到这里，通过打印html，里面是包含着我们需要的内容的网页代码，所以这一步只是粗糙的拿到了我们的数据。

 

soup = BeautifulSoup( html,'html.parser') # 把网页解析为BeautifulSoup对象

 

获取数据后，下一步就是解析数据了，我们引入了一个用来解析网页内容的模块，通过解析后，将解析的数据赋值给了soup，打印soup 的类型，<class 'bs4.BeautifulSoup'>打印soup 内容，可以发现和html的区别：

区别：html中的代码部分的格式，被清除了。这种格式体现在排版上。但是内容依然是：我们需要的内容+网页代码，所以下一步我们就需要将网页代码部分去掉。

 

items = soup.find_all(class_='books') # 通过定位标签和属性提取我们想要的数据

 

实际上，获取数据的过程就是一点点缩小范围，直到拿到需要的数据为止。所以这里，我们需要精确定位一下，通过查看网页代码，我们发现，我们需要的内容，其实是在 class=book 的标签中，所以我们缩小一下范围拿到的数据赋值给 items ，items的类型 <class 'bs4.element.ResultSet'>，我们可以把它当做一个列表 list 来看待内容当然是class= book 中的文字+代码了

 

for item in items:
print('想找的数据都包含在这里了：
',item) # 打印item
print(type(item))

 

既然是列表，我们要想获得里面的内容就需要  【遍历】 一下子了，【遍历】完后，我们发现：内容还是那些内容，只不过，item 的【格式】<class 'bs4.element.Tag'>既然是个【对象】，我们就知道应该怎么办了

首先，tag对象依旧可以使用find继续缩小范围式的查找

for item in items:
    kind = item.find('h2') # 在列表中的每个元素里，匹配标签<h2>提取出数据
    title = item.find(class_='title') #在列表中的每个元素里，匹配属性                
    class_='title'提取出数据
    brief = item.find(class_='info') #在列表中的每个元素里，匹配属性        
    class_='info'提取出数据
    print(kind,'
',title,'
',brief) # 打印提取出的数据
    print(type(kind),type(title),type(brief)) # 打印提取出的数据类型        

实际上这时拿到的kind、title、brief 依然包含着网页代码，他们各自的类型依然是tag，所以我们可以继续使用以下方法

import requests # 调用requests库from bs4 import BeautifulSoup # 调用BeautifulSoup库
res =requests.get('https://localprod.pandateacher.com/python-manuscript/crawler-html/spider-men5.0.html')# 返回一个response对象，赋值给res
html=res.text
# 把res解析为字符串
soup = BeautifulSoup( html,'html.parser')# 把网页解析为BeautifulSoup对象
items = soup.find_all(class_='books') # 通过匹配属性class='books'提取出我们想要的元素for item in items: # 遍历列表items
kind = item.find('h2') # 在列表中的每个元素里，匹配标签<h2>提取出数据
title = item.find(class_='title') # 在列表中的每个元素里，匹配属性class_='title'提取出数据
brief = item.find(class_='info') # 在列表中的每个元素里，匹配属性class_='info'提取出数据
print(kind.text,'
',title.text,'
',title['href'],'
',brief.text) # 打印书籍的类型、名字、链接和简介的文字