本文转自: brucepk(已获授权)
“ 阅读文本大概需要 3 分钟
大家好,这里是「brucepk」python 爬虫课堂。此文首发于「brucepk」公众号,欢迎大家去关注。
俗话说,万事开头难,学习爬虫也是如此。我们知道,python 爬虫主要步骤无非就是:获取源码、从源码中提取需要的信息、保存数据这几个主要步骤。
俗话说,万事开头难,遭遇挫折时,我们往往会在踏出的第一步选择放弃。学习爬虫亦是如此,最容易放弃的在第一步:获取源码,因为获取源码方式有很多,不同方式针对不同的页面结构。你会了一种方式,感觉很简单,但是碰到另一种情况,套用这个方法行不通时,可能会让你望而却步。话不多说,今天就带你入门爬虫。
爬虫提取页面源代码主要有两种方法:requests 库 和 selenium 库。
下面分析这两种方式的适用场景和优缺点。
requests 适合提取需要的元素信息直接保存在页面的源代码里面,可以直接用 requests.get(url).text 来提取页面源码。之前发的 100 行代码找出你中意的书 项目用的就是此方法。用此方法解析前后面必须带上 text 才行。
import requests
from bs4 import BeautifulSoup
url='https://mp.weixin.qq.com/s/HxHFE7jB3hU6gBZWeHB5xw'
html = requests.get(url)
soup = BeautifulSoup(html.text, 'lxml')
print(soup)
下面是输出结果的部分截图:
优点:提取页面快。
缺点:不适合提取元素不是加载在源代码的项目。
selenium 库适合提取我们需要的信息不在源代码里面的,昨天发的获取网易云音乐的项目 听歌慌?80 行代码帮你搞定! 就是用的此方法。
我们通过 F12 代码调试元素里面可以看到我们需要提取的元素,但是在源代码里面找不到这些元素,这时只能用自动化测试库 selenium 库,通过操作浏览器的驱动来操作浏览器,所以前期工作需要把对应的驱动 driver 下载下来放在 python 3 安装的目录下。
联系客服