首页 > 代码库 > 使用beautifulsoup与requests爬取数据
使用beautifulsoup与requests爬取数据
1、安装需要的库
bs4 beautifulSoup requests lxml
如果使用mongodb存取数据,安装一下pymongo插件
2、常见问题
1> lxml安装问题
如果遇到lxml无法安装问题,参考知乎上的答案:
首先,安装wheel,命令行运行:pip install wheel
其次,在这里下载对应的.whl文件,注意别改文件名!http://www.lfd.uci.edu/~gohlke/pythonlibs/#lxml
Ctrl + F,输入lxml,找到下面这段Lxml,
Lxml, a binding for the libxml2 and libxslt libraries.
lxml?3.7.1?cp27?cp27m?win32.whl
lxml?3.7.1?cp27?cp27m?win_amd64.whl
lxml?3.7.1?cp34?cp34m?win32.whl
lxml?3.7.1?cp34?cp34m?win_amd64.whl
lxml?3.7.1?cp35?cp35m?win32.whl
lxml?3.7.1?cp35?cp35m?win_amd64.whl
lxml?3.7.1?cp36?cp36m?win32.whl
lxml?3.7.1?cp36?cp36m?win_amd64.whl
cp后面是Python的版本号,27表示2.7,根据你的Python版本选择下载。
之后, 进入.whl所在的文件夹,执行命令即可完成安装pip install 带后缀的完整文件名
2> pip问题
如果提示 ‘pip‘ 不是内部或外部命令,也不是可运行的程序。
多是因为环境变量没有设置好。需要设置两个,一些常用的命令在Scripts文件夹下面
以下两个改为自己计算机的路径
C:\Files\Python\Python36
C:\Files\Python\Python36\Scripts
3、mongodb
如何安装mongodb参见https://docs.mongodb.com/manual/tutorial/install-mongodb-on-ubuntu/
服务启动与停止
sudo service mongod start sudo service mongod stop sudo service mongod restart
配置文件位于 /etc/mongod.conf,默认端口 27017 ,修改可以在配置文件中修改
# network interfaces net: port: 27017 # bindIp: 127.0.0.1
此外,默认绑定了ip地址127.0.0.1,需要将此句注释掉,否则远程无法访问
4、参考代码
import requests from bs4 import BeautifulSoup import time import pymongo import random from multiprocessing import Pool # 导入多个对象或者函数用逗号分开 # from test_parsing import get_items,url_list # mongodb客户端 client = pymongo.MongoClient(‘192.168.1.101‘,27017) # 数据库 test = client[‘testdata‘] # 各种表 tb = test[‘testtable‘] mb= test[‘itemtable‘] detail= test[‘detailtable‘] headers = { User-Agent: ‘User-Agent‘:‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36‘, ‘Connection‘:‘keep-alive‘ } proxy_list = [ ‘http://118.79.27.123:8081‘, ‘http://113.108.253.195:9797‘, ] # 随机获取代理ip proxy_ip = random.choice(proxy_list) proxies = {‘http‘: proxy_ip} # 简单用例 def get_pages_within(pagenums): for page_num in range(1,pagenums+1): # 请求 wb_data = http://www.mamicode.com/requests.get(‘http://urldata/test/pn{}/‘.format(page_num)) # 包装一个对象 soup = BeautifulSoup(wb_data.text,‘lxml‘) # 使用select方法,参数为样式选择器,div.price_li > span 标识逐层级关系,div.price_li span 只是简单的包含关系 numbers = soup.select(‘div.number‘) prices = soup.select(‘span.price‘) links = soup.select(‘a.t‘) for number, price, link in zip(numbers,prices,links): if int(price.get_text()) > 500: print(number,price) data = { ‘title‘:number.get_text(), ‘price‘:price.get_text(), ‘link‘ :link.get(‘href‘) } tb.insert_one(data) print(‘finished‘) # 复杂点的 def get_links_from(source, pages, flag=‘c‘): list_view = ‘{}{}{}/‘.format(source, str(flag), str(pages)) # 带参数 wb_data = http://www.mamicode.com/requests.get(list_view,headers=headers,proxies=proxies) soup = BeautifulSoup(wb_data.text, ‘lxml‘) if soup.find(‘ul‘, ‘pageLink‘): for link in soup.select(‘.fenlei dt a‘): item_link = link.get(‘href‘) mb.insert_one({‘url‘: item_link}) print(item_link) else: pass def get_detail_from(url,data=http://www.mamicode.com/None): wb_data = requests.get(url,headers=headers) time.sleep(1) # flag = ‘flagnumber‘ in soup.find(‘script‘, type="text/javascript").get(‘src‘).split(‘/‘) # if flag: if wb_data.status_code == 404: pass else: soup = BeautifulSoup(wb_data.text, ‘lxml‘) data = { ‘title‘:soup.title.text.strip(), ‘price‘:soup.select(‘div.price_li > span > i‘)[0].text.strip(), ‘time‘:soup.select(‘.pubtime‘)[0].text.strip().split(‘/‘)[0], ‘area‘:list(map(lambda x:x.text,soup.select(‘ul.area-infor > li > a‘))), ‘cates‘:list(soup.select(‘div.cates > span > i‘)[0].stripped_strings), ‘url‘:url } detail.insert_one(data) source_list = ‘‘‘ http://test.com/books/ http://test.com/pictures/ ‘‘‘ # 读取数据 # $lt/$lte/$gt/$gte/$ne,依次等价于</<=/>/>=/!=。(l表示less g表示greater e表示equal n表示not ) for item in detail.find({‘price‘: {‘$lt‘: 100}}): print(item) for i in detail.find(): if i[‘price‘] >= 500: print(i) if __name__ == ‘__main__‘: # 使用多进程 pool = Pool() # pool = Pool(processes=2) if source_list is not None: pool.map(get_links_from,source_list.split()) pool.close() pool.join()
一般使用谷歌浏览器对要爬取的元素进行检查,在这一方面,好用一些,右键,选择Copy selector,获取到例如:div.cates > span > i,作为select函数的参数即可。
也可以自己写,在浏览器的检查元素页面上,ctrl + F 出现查找框,写入要使用的样式选择器,看看是否准确即可 。
例子:div.price_li > span 标识逐层级关系,div.price_li span 只是简单的包含关系
5、参考文档
http://beautifulsoup.readthedocs.io/zh_CN/latest/
http://www.python-requests.org/en/master/
使用beautifulsoup与requests爬取数据