私信我，回复：学习，获取免费学习资源包。

环境安装

python3.7.1

pip install requests

pip install beautifulsoup4

pip install lxml

技术讲解

requests库

requests一般用于发起http请求，并且拿到请求的结果。http常用的请求有两种，GET和POST，爬虫主要用的是GET请求。

在不懂http,https和dns,TCP/IP等协议的情况下，我直接打个比方来解释一下什么是GET请求，以360浏览器为例，人在360浏览器输入www.baidu.com，然后敲击enter键，直到页面出现，整个过程，我们可以抽象为我们向百度服务器发起的一次GET请求。

更专业，更详细的解释，自己去百度学习吧。

如何使用requests库来模拟浏览器的行为来获取页面内容呢？

示例代码如下

import requests
web = requests.get('https://www.baidu.com') #向百度发起一次get请求，返回请求结果的实体类
print(web.status_code) #请求返回的状态码，200是OK，404是页面不存在，500是错误，更多自己百度搜索
print(type(web.content)) #页面内容的数据类型是bytes，因此需要解码
print(type(web.content.decode()))
print(web.content.decode()) #解码之后，得到的页面内容是结构化的字符串

这样看起来，我们获取到的页面内容不是我们在浏览器看到的图形化界面，而是字符串，更像是一些代码。如果你学过html和css那就不用多说了。没学过也不要紧，现在可以简单学一下，也就花几分钟了解一下就够用了。

html是一种标记语言，可以被浏览器执行，然后呈现出可视化的图形界面。如果你把web.content.decode()这一串字符串保存在test.html里，然后双击打开，你会看到图形化界面的，只不过有些图片可能显示不了，这里就不细说了。

html其实很好理解，不要想得太复杂，就是一段有规律的格式化的文本。

其基本格式就是

...
...

html文本的标签一般都是成双成对，有始有终的，比如和是一队，千万不能拆散，拆散就乱套了。少数除外比如
是换行用的,可以不用配对。

这里我们主要讲body标签，网页的主要内容都是在这个标签里显示的，比如标题，段落，图片等

在test.html里我们写入一下代码并且保存。

我的网站
这是我的网站

html更多标签所代表的意义可以去这里学习
http://www.runoob.com/html/ht...

beautifulsoup4库

bs4(简称)库是用于解析格式化文本，提取数据用的库。

我们利用requests库的get函数拿到网页的内容是一段格式化的字符串，接下来就可以用bs4来解析它。

解析的示例代码如下

from bs4 import BeautifulSoup
html = '''

我的网站
这是我的网站

''' #从网页拿到html的格式化的字符串，保存到html里
soup = BeautifulSoup(html, 'lxml') #使用lxml解析器来解析文本，html和xml格式是类似的
print(soup.find_all('h1')) #使用find_all函数来找所有的h1标签，返回的结果是数组
print(soup.find_all('p')) #找所有的p标签，返回的结果是数组
更复杂一点的，比如
from bs4 import BeautifulSoup
html = '''

我的网站
这是我的网站

测试1


测试2


'''
soup = BeautifulSoup(html, 'lxml')
div_tags = soup.find_all(name='div', attrs={'class': 'test-item'})
for tag in div_tags:
 print(type(tag))
 print(tag)
 print(tag.string)
 print(tag.attrs, '\n')

注意，tag保存的不是字符串，而是bs4模块中的一个标签实体类，我们主要需要知道它的attrs属性和string属性，方便我们拿到一些我们想要的文本和信息，比如a标签的href属性就保存在attrs里。

总结

本文主要讲了如何使用requests获取网页文本内容，以及如何解析html文本，更多更好用的爬虫库

来源网络侵权联系删除

私信我，回复：学习，获取免费学习资源包。