当前位置：首页 > news >正文

PYTHON爬虫基础

news 文章来源：https://blog.csdn.net/m0_51339444/article/details/129129941 2025/2/12 8:17:44

一、安装package

在使用爬虫前，需要先安装三个包，requests、BeautifulSoup、selenium。

输入如下代码，若无报错，则说明安装成功。

import requests
from bs4 import BeautifulSoup
import selenium

二、Requests应用

blog.csdnimg.cn/3e391689d61e4284a835fe34177509ce.png)
在这里插入图片描述

了解了原理，接下来实际应用一下requests库叭~

import requestsurl = "https://www.baidu.com"
r = requests.get(url)
print(r.status_code)
print(r.headers)
print(r.text)

如果运行上述代码时出现如下报错：👇
requests.exceptions.ProxyError: HTTPSConnectionPool(host='blog.csdn.net', port=443): Max retries exceeded with url: /m0_51339444/article/details/129049696 (Caused by ProxyError('Cannot connect to proxy.', OSError(0, 'Error')))
可能是因为：（1）网络资源过大，网络无法加载；（2）使用了科学上网，需要关闭。

运行后，其中，r.status_code的返回值是200，表示请求成功，但是如果返回值是400，则表示请求失败。另外，发现程序的r.text输出出现乱码，这是因为在headers内没有明确指出encoding方式，会将其默认成ISO-8859-1编码方式，导致乱码。但是，仔细观察r.text输出，meta中暗示了是“utf-8”编码：👇
在这里插入图片描述
因此，需要指定r.encoding = “utf-8”，然后再执行，输出无乱码。完整代码如下：

import requestsurl = "https://www.baidu.com"
r = requests.get(url)
print(r.status_code)
print("===============================")
print(r.headers)
print("===============================")
print(r.text)
print("===============================")
print(r.encoding)
r.encoding = "utf-8"
print("===============================")
print(r.text)

三、URL管理器

在这里插入图片描述

class UrlManager():"""url管理器"""def __init__(self):  # 初始化self.new_urls = set()  # 放待爬取过的urlself.old_urls = set()  # 放已经爬取的url# 增添新的url（下面两个函数）（实现添加以及判重）def add_new_url(self, url):if url is None or len(url) == 0:  # 判定url是否合法return# 判断url是否在容器中, 在就return，不添加if url in self.new_urls or url in self.old_urls:returnself.new_urls.add(url)  # 否则，就添加新的url在集合中def add_new_urls(self, urls):if urls is None or len(urls) == 0:returnfor url in urls:self.add_new_url(url)# 获取待爬取的url (记得更改url状态)def get_url(self):if self.has_new_url():url = self.new_urls.pop()self.old_urls.add(url)return urlelse:return None# 判断容器中有没有新的待爬取的urldef has_new_url(self):return len(self.new_urls) > 0if __name__ == "__main__":url_manager = UrlManager()url_manager.add_new_url("url1")url_manager.add_new_urls(["url1", "url2"])print(url_manager.new_urls, url_manager.old_urls)print("================================")new_url = url_manager.get_url()print(url_manager.new_urls, url_manager.old_urls)print("================================")new_url = url_manager.get_url()print(url_manager.new_urls, url_manager.old_urls)print("================================")print(url_manager.has_new_url())

在这里插入图片描述

四、HTML简介

为了方便我们更好的理解网站的构成，需要先了解一下HTML的基本原理。
在这里插入图片描述
<head>里面是网站上不可见的信息
<body>里面是网站上可见的信息

一、安装package

二、Requests应用

三、URL管理器

四、HTML简介

相关文章：