[爬虫入门笔记] python爬虫基础入门1
概述
通过简单的学习，对爬虫有一个基本的了解。 就是通过python语言中的相关的库，进行对网页的源代码进行读取、搜索并保存所需要的相关数据。
操作的内容是面向网页的源码 - -> html，所以要适度的了解相关的内容（前端）
需要相关的库
Requests BeautifulSoup Lxml 接下来会逐一讲，这里就不赘述
如果配置了python环境的话可以直接，在dos里进行配置，相关的库，具体的操作如下：
- pip install requests
- pip install bs4
- pip install lxml
大概，这样就配置好了，如果一直显示Collecting的话，那估计网络可能有一些的问题~~
如果配置完成，进入IDE有问题的话，那么可能要在IDE里重新配置一下（反正我是这样），或者重新建一个python项目文件
requests 库
requests是一个python HTTP请求库，requests库的作用是发送请求获取响应数据
直白点说，就是通过requests库从指定的网页中获取网页的源代码 就是在网页中，按一下F12显示的东西
然后，我们可以通过requests库中的一些方法，从对应的网页中的源码中获取数据，并且进行解码操作
# 1 导入模块
import requests
# 2 发送请求 获取响应
response = requests.get('http://www.baidu.com')
# print(response) -> <Response [200]>
# 3 获取响应数据
# print(response.encoding)
# 4 这个可以指定响应的解码方式，即字符集
response.encoding = 'UTF-8'
# print(response.text)
# 输出字符串的内容，弊端是不能直接像下面的content直接调用
# decode()来进行解码
# 5 解码并输出
print(response.content.decode())
跑出来的结果如下图所示：
通过访问百度官网，对照发现，基本相同：
BeautifulSoup库
通过调用BeautifulSoup库，创建BeautifulSoup的对象
BeautifulSoup对象代表整个文档树，支持通过方法遍历和搜索文档树(find/find_all方法)
文档树
这里就是指通过requests获得的网页源代码
代码如下：
from bs4 import BeautifulSoup
# 创建BeautifulSoup对象, 并指定解释器 lxml
soup = BeautifulSoup(response.content.decode(),'lxml')
# 文档树就是从requests中获取的响应数据
print(soup)
# 这里指定id进行查找
script = soup.find(id='')
text = script.text
print(text)
find()方法的参数列表如下：
find(self, name = None,attrs = {}, recursive = True, text = None, **kwargs)
需要了解的参数大致有：
name 标签名
attrs 属性字典
recursive 是否递归循环查找
text 根据文本内容查找
所以，显而易见的可以通过不同的参数来查找元素对象
如下：
1 直接通过标签名查找
例：script = soup.find(‘title’)
2 通过属性进行查找
2.1 直接通过属性参数查找
例： script = soup.find(id=‘getListByCountryTypeService2true’)
2.2 通过使用attrs来指定属性字典查找
例：script = soup.find(attrs={‘id’:‘getListByCountryTypeService2true’})
3 通过文本内容查找
例： script = soup.find(text=‘abc’)
关于查找的方式大致就有以上的几种，如果不太明白的话可以去了解以下前端相关的知识，感觉学习一点HTML就够了
find()和find_all() 的区别
find() 返回查找到的第一个元素的Tag对象
find_all() 返回到所有的元素Tag对象的列表
以下是关于Tag对象的介绍：
Tag对象
tag对象介绍：
tag对象对应于原始文档中的xml或者html的标签
tag有很多的方法和属性，可用遍历文档树 和 搜索文档树以及获取标签的内容
tag对象的常见属性：
name 获取标签的名称
attrs 获取标签的所有属性和值
text 获取标签的文本字符串
print('name', script.name)
print('attrs', script.attrs)
print('text', script.text)
示范案例
从网页爬取了一些信息，比较简陋，不过当成一个熟悉上面所描述的信息的案例还是不错的
网址：全球疫情地图
代码：
import requests
from bs4 import BeautifulSoup
# todo 获取响应 + 处理数据
# 从疫情首页提取各国最新的疫情数据
response = requests.get('https://ncov.dxy.cn/ncovh5/view/pneumonia')
home_page = response.content.decode()
print(home_page) # 测试是否能够正常爬取
# 使用BeautifulSoup提取疫情的数据
soup = BeautifulSoup(home_page, 'lxml')
# 根据id属性查找，包含各国全国疫情的信息标签
script = soup.find(id='getListByCountryTypeService2true')
# 获取标签的内容
text = script.text
print(text)
运行结果太长我就不放了······