python之簡單爬取一個網站信息

requests庫是一個簡介且簡單的處理HTTP請求的第三方庫

get()是獲取網頁最常用的方式，其基本使用方式如下

使用requests庫獲取HTML頁面並將其轉換成字符串后，需要進一步解析HTML頁面格式，這里我們常用的就是beautifulsoup4庫，用於解析和處理HTML和XML

下面這段代碼便是爬取百度的信息並簡單輸出百度的界面信息

import requests
from bs4 import BeautifulSoup

r=requests.get('http://www.baidu.com')
r.encoding=None
result=r.text
bs=BeautifulSoup(result,'html.parser')
print(bs.title)
print(bs.title.text)

 

import requests
from bs4 import BeautifulSoup

#用來解決亂碼現象，所以編寫爬取信息的代碼最好帶上（輸出出現亂碼或者UnicodeEncodeError：'gbk'codec can't encode character）  
import io      
import sys
sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')


#用來防止反爬取，可以了解一下
headers={"User-Agent" : "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1.6)",
　　"Accept" : "text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
　　"Accept-Language" : "en-us",
　　"Connection" : "keep-alive",
　　"Accept-Charset" : "GB2312,utf-8;q=0.7,*;q=0.7"
}


#獲取51job網站的基本信息
r=requests.get('https://search.51job.com/list/000000,000000,0000,00,9,99,python,2,1.html?lang=c&stype=&postchannel=0000&workyear=99&cotype=99&degreefrom=99&jobterm=99&companysize=99&providesalary=99&lonlat=0%2C0&radius=-1&ord_field=0&confirmdate=9&fromType=&dibiaoid=0&address=&line=&specialarea=00&from=&welfare=')
r.encoding=r.apparent_encoding
result=r.text
bs=BeautifulSoup(result,'html.parser')
print(bs.prettify())

u1=bs.find_all('u1',attrs={'class':'item_con_list'})    #這部分代碼便是我們爬取的目標，51job網站上關於python職業的薪資
print(len(u1))
li=bs.find_all('span',attrs={'class':'t4'})
for l in li:
    print(l.text)

上面這段代碼便是爬取51job網站上的與python相關職業的薪資