Python Beautiful Soup+requests实现爬虫

Python 爬虫库大概有 标准库 urllib 或第三方库 requests,scrapy,BeautifulSoup 用于获取数据网站较多。scrapy其实是框架形式，适用于大规模爬取，requests就是通过http的post，get方式实现爬虫。Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库

本次介绍Beautiful Soup+requests实现爬虫，这方法结合最简单容易上手。requests主要用get获取html信息，Beautiful Soup对Html内容进行筛选，获取自己想要的内容。

Beautiful Soup安装：

pip install beautifulsoup4

安装完后还需安装

pip install lxml

pip install html5lib

requests安装

pip install requests

requests获取网站Html内容

import requests
from bs4 import BeautifulSoup

r = requests.get(url='https://www.baidu.com/')    # 最基本的GET请求
print(r.status_code)    # 获取返回状态
r.encoding = 'utf-8' #没有的话，中文会显示乱码
print(r.text)

使用BeautifulSoup解析这段代码

soup = BeautifulSoup(r.text,"html.parser")
print(soup.prettify())

运行结果：



这个涉及到编码的问题了。网上找了很多资料都无法解决。最后发现，这个问题是print的问题。

在代码中加入，即可解决

import sys
import io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

如果要将soup.prettify()写入txt

f =open("ttt.txt","w",encoding='utf-8')
f.write(soup.prettify())

完整代码

from bs4 import BeautifulSoup
import requests
import sys
import io
sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='gb18030')

page = requests.get('https://www.baidu.com/')
page.encoding = "utf-8"

soup = BeautifulSoup(page.text,"html.parser")
print(soup.prettify())

f =open("ttt.txt","w",encoding='utf-8')
f.write(soup.prettify())

BeautifulSoup官网文档

https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

欢迎加入学习交流QQ群：657341423