爬虫练习1：

import requests
#目标页面
url="https://www.xxx.edu.cn/"
#浏览器右键检查，network然后找doc，刷新页面，在文档里找"User-Agent"，User-Agent其实就是你的浏览器信息
headers = {
 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36",
}
try:
    response = requests.get(url, headers=headers)
    #防止中文乱码
    response.encoding = 'utf-8'
    #它能够判断返回的Response类型状态是不是200。如果是200，他将表示返回的内容是正确的，如果不是200，他就会产生一个HttpError的异常。
    if response.status_code == 200:
        print(response.text[:100])
    #response.text可以抓取全页，也可以限制字符如上
except:
    print("爬取失败")

2爬虫练习，将爬取到的数据生成html文件，分析文件获取目标信息

例如，将学院的专业捕捉出来放在列表里

import requests
url = 'https://www.xxx.edu.cn/yqdx/zyyl.htm'
headers = {
 "User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.84 Safari/537.36",
}
response = requests.get(url, headers=headers)
response.encoding='utf-8'
if response.status_code == 200:
	print(response.text)

此时获取了网页的信息，再将其写入html文件中

from bs4 import BeautifulSoup
x = BeautifulSoup(response.text,'lxml')      #使用 lxml 解析器作为底层解析引擎
print(x.prettify())     # 变成规整的 html 格式
bytes_obj = x.prettify().encode()
with open('baidus.html', 'wb') as f:
    f.write(bytes_obj)
print('ok')

爬出学院名称，进行整理

from lxml import etree
import re
parser = etree.HTMLParser(encoding='utf-8')
html = etree.parse('baidus.html', parser=parser)
str=html.xpath('//body/div//table/tbody/tr/td/p/span/text()')
print(str)
list=[]
for i in str:
    teststr="学院"
    #m模糊匹配
    r1 = re.search(teststr, i)
    if r1:
        #去掉两端的空格
        i=i.strip()
        print(i)
        list.append(i)
print(list)

完成。

这里添加一个html文件的分析，有两种方式可以解析html文件，

1.使用xpath语法，应该使用Element.xpath方法。来执行xpath的选择。

result = html.xpath(‘//li’)

xpath返回的永远是一个列表。

2.获取文本，是通过xpath中的text()函数。示例代码如下：

html.xpath(‘//li/a[1]/text()’)

3.在某个标签下，再执行xpath函数，获取这个标 签下的子孙元素，那么应该在斜杠之前加一个.，代表是在当前元素下获取。

address = tr.xpath(‘./td[4]/text()’)

有一个hello.html的文件，放在python文件的目录下

• 法治的细节
• 纸质书
• 30元
• 罗翔

  from lxml import etree
  parser = etree.HTMLParser(encoding='utf-8')
  html = etree.parse('hello.html', parser=parser)
  #list=html.xpath('//head/title/text()')
  #['法治的细节', '纸质书', '30元', '罗翔']
  list=html.xpath('//body/ul/li/text()')
  #省略中间目录用//代替也是可以的，效果如上
  list=html.xpath('//body//li/text()')
  #多个一样的标签时可以使用[]表示第几个，['纸质书']
  list=html.xpath('//body//li[1]/text()')
  #也可以用其他属性加以区别，输出['纸质书']
  list=html.xpath('//body//li[@id="model"]/text()')
  list=html.xpath('//body//li[@]/text()')
  print(list)
  

  参考连接：https://blog.csdn.net/qq_44087994/article/details/126417444?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522169989476116800225567403%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=169989476116800225567403&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2_blogfirst_rank_ecpm_v1~rank_v31_ecpm-2-126417444-null-null.nonecase&utm_term=xpath%E7%88%AC%E8%99%AB%E7%BB%93%E6%9E%9C%E6%9C%89%5Cn&spm=1018.2226.3001.4450

  第二种方法，Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构，每个节点都是python对象

  搜索文档书，一般用的比较多的方法就是两个方法，一个是find，一个是find_all。find方法是找到第一个满足条件的标签后立即返回，只返回一个元素。find_all方法是把所以满足条件的表签都返回。

  例如仍然是hello文件的解析

  from bs4 import BeautifulSoup
  with open("hello.html", "r", encoding='utf-8') as f:
      html = f.read()
  soup = BeautifulSoup(html,'lxml')
  table = soup.find('ul')
  trs = soup.find_all('li')
  for tr in trs:
      print(tr)
  print(table)
  

  输出：所有li

  • 法治的细节
  • 纸质书
  • 30元
  • 罗翔
  • 输出ul的所有内容
    • 法治的细节
    • 纸质书
    • 30元
    • 罗翔

      练习：对下面文件用不同方法进行解析

      
          
              
                  小明
                  收营员
                  4000
              
              
                  小花
                  促销员
                  3500
              
              
                  张三
                  保洁
                  3000
              
              
                  李四
                  收营员
                  4000
              
              
                  王五
                  售货员
                  3800
              
          
          
          
              
                  泡面
                  3.5
                  120
              
              
                  火腿肠
                  1.5
                  332
              
              
                  矿泉水
                  2
                  549
              
              
                  面包
                  5.5
                  29
              
          
      
      

     
     中国建筑工程信息官网  搜索引擎优化方法案例  公司官网制作哪家好  荆州网  北京网站开发公司  为什么尽量不要备案域名