Python使用urllib,urllib3,requests库+beautifulsoup爬取网页

笔者使用的是python 3.8.1

urllib

urllib提供了一系列用于操作URL的功能。
urllib的request模块可以非常方便地抓取URL内容，也就是发送一个GET请求到指定的页面，然后返回HTTP的响应。

使用pip下载:

pip install urllib


例如对百度搜索界面的抓取(www.baidu.com)

#!/usr/bin/python
# -*- coding: UTF-8 -*-
import urllib
from urllib import request
if __name__ == "__main__":
headers = {
'Connection': 'Keep-Alive',
'Accept': 'text/html, application/xhtml+xml, */*',
'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',
'Accept-Encoding': 'gzip, deflate',
'User-Agent': 'Mozilla/6.1 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko',
'Host': 'www.so.com',
'Referer': 'https://www.so.com'
}
respond = urllib.request.urlopen('http://www.baidu.com', headers=headers)
print(respond.read().decode('utf-8'))

参考网站:
廖雪峰的官方网站

urllib3

urllib3是一个功能强大且友好的Python HTTP客户端。大多数Python生态系统已经使用urllib3，您也应该使用。urllib3带来了Python标准库中缺少的许多关键功能：

线程安全。
连接池。
客户端SSL / TLS验证。
使用分段编码上传文件。
重试请求和处理HTTP重定向的助手。
支持gzip，deflate和brotli编码。
HTTP和SOCKS的代理支持。
100％的测试覆盖率。
urllib3功能强大且易于使用：
下载：

pip install urllib3


例如抓取百度搜索界面(www.baidu.com)

#!/usr/bin/python
# -*- coding: UTF-8 -*-
import urllib3if __name__ == "__main__":
http = urllib3.PoolManager()
headers = {
'Connection': 'Keep-Alive',
'Accept': 'text/html, application/xhtml+xml, */*',
'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',
'Accept-Encoding': 'gzip, deflate',
'User-Agent': 'Mozilla/6.1 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko'
}
r=http.request('GET', 'http://www.baidu.com', headers=headers)
print(r.data)


requests

我们已经讲解了Python内置的urllib模块和其升级版urllib3，用于访问网络资源。但是，它用起来比较麻烦，而且，缺少很多实用的高级功能。

更好的方案是使用requests。它是一个Python第三方库，处理URL资源特别方便。
下载：

pip install requests


注意有 s 在requests中

例如抓取360搜索结果:

# -*- coding: utf-8 -*-
import requestsif __name__ == '__main__':
keyword = "123sad"
keyword = input("请输入你想搜索的内容")
try:
#添加headers防止被最简单的反爬虫阻止，在chrome按F12后点击Network中一个下滑查看
headers = {
'Connection': 'Keep-Alive',
'Accept': 'text/html, application/xhtml+xml, */*',
'Accept-Language': 'en-US,en;q=0.8,zh-Hans-CN;q=0.5,zh-Hans;q=0.3',
'Accept-Encoding': 'gzip, deflate',
'User-Agent': 'Mozilla/6.1 (Windows NT 6.3; WOW64; Trident/7.0; rv:11.0) like Gecko',
'Host': 'www.so.com',
'Referer': 'https://www.so.com'
}
page = 1
#GET参数列表
kv = {'q': keyword, 'ie': 'utf-8', 'pn': page} # requests.ReadTimeout(60)
r = requests.get("http://www.so.com/s", headers=headers,
params=kv)
print('url:'+r.request.url)
r.raise_for_status()
html = r.text
print(html)
except requests.HTTPError as a:
print(a)
print("爬取失败")
except:
print('失败')

参考网站：廖雪峰的官方网站

笔者在爬取时遇到的问题

1.结果不全

笔者在vs code 中执行时，结果显示不全
如果结果显示不全，需要在cmd中执行文件

python xxx.py


2.‘抓取失败’

显示该问题，一般是因为IP被屏蔽
目前很多搜索引擎都装备了反爬虫，这个时候需要重启路由器（重新拨号）或者挂代理(proxy)，或者试一试别的搜索引擎，笔者抓取百度时频繁出现错误，只能抓取360搜索

3.返回乱码

对返回结果解码

html.decode('utf-8')


进阶

urllib

parse

使用parse模块拼接参数：

params = {'ie': 'utf-8', 'wd': 'python是这个世界上最好的语言'}
url = 'www.baidu.com/s?'+urllib.parse.urlencode(params)
print(url)


结果：

www.baidu.com/s?ie=utf-8&wd=python%E6%98%AF%E8%BF%99%E4%B8%AA%E4%B8%96%E7%95%8C%E4%B8%8A%E6%9C%80%E5%A5%BD%E7%9A%84%E8%AF%AD%E8%A8%80


error

在urllib中设置了两个主要异常类，一个是URLError，一个是HTTPError

try:
...
except urllib.error.HTTPError as e:
print(e.code)#错误码
print(e.reason)#错误的原因
pring(e.headers)#响应的报头
except urllib.error.URLError as e:
print(e)


re库

re库是用来分析网页返回结果的正则库
安装:

pip install re


正则:

import re
pattern = re.compile(
r'<li class="res-list" data-lazyload="1"><h3 class="res-title "><a href="(.*?)"', re.S)
results = pattern.findall(html)


其中,re.compile是创建正则式,findall是在文本中匹配全部，并返回数组格式的数据
有关正则表达式写法和更多数据请看官方文档

笔者推荐使用requests库

beautifulsoup

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.
pip安装:

pip install bs4


如果要使用lxml解析器请参考博客园，因为下载太慢，笔者使用html解析器

使用beautifulsoup提取指定的html元素:

soup = BeautifulSoup(req.text, "html")
#req是resquests返回的结果
soup.find(name="div", attrs={"class" :"a","id":"b"})
#提取<div class="a" id="b">的元素内容
soup.select(".a")
#提取class="a"的元素,可以使用# .等选择器
human_list=beautifulsoup("<p class='a'></p>")
print(human_list.p["class"])#输出 a


如果要取html元素里的内容，用xx.string或者.text
参考链接
点我跳转官方文档

例子:

以下代码爬取了https://www.baidu.com/s?ie=UTF-8&wd=afs的第一条搜索结果的名字

import requests
from bs4 import BeautifulSoupurl = "https://www.baidu.com/s?ie=UTF-8&wd=afs"
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.87 Safari/537.36'}
req = requests.get(url, headers=headers)
#soup = BeautifulSoup(req.text, "lxml")#使用lxml解析器
soup = BeautifulSoup(req.text, "html")#使用html解析器
human_list=soup.find(name="div", attrs={"class" :"c-abstract"})
human_list=str(human_list)
human_list=human_list.replace('<div class="c-abstract c-abstract-en">',"")
human_list=human_list.replace("</div>","")
human_list=human_list.replace("\n","")
print(human_list)


输出:

<em>AFS</em> study abroad, education and volunteer programs empower people of all ages and backgrounds with essential intercultural knowledge, skills and understanding.


END