爬虫-怎么爬静态网站 其他 2019-12-15 00:17:31 阅读次数: 0

爬静态网站主要分为两部分：

1. 爬静态网站的文字
2. 爬静态网站的图片

[TOC]

爬文字

思路

1. 用requests模块得到网站的HTML
2. 用BeautifulSoup模块得到HTML的正则文本
3. 用find或者find_all函数从正则文本中得到自己想要的
4. 用repalce去除不需要的字符

源代码

# 使脚本可以识别中文
# 爬网站：http://www.hbrchina.org/

import requests
from bs4 import BeautifulSoup
# 调用需要的模块
if __name__ == '__main__':
	req = requests.get ('http://www.hbrchina.org/2019-02-18/7150.html')
   # 得到网站的HTML
	req.encoding = req.apparent_encoding
	#获取文本原来编码，使两者编码一致才能正确显示
	html = req.text
	bf = BeautifulSoup(html,'html.parser')
  # 把HTML文件转为正则文件（我的理解是文本文件）
	body = bf.body
	texts = body.find_all ('div',{'class':'article-content'})
  # 用find_all函数找到 这样的div文件，其class是article-content
	print(texts[0].text.replace('xa0'*8,'nn'))
  # 用replace函数提出所有的字符、空格等

可以看到的结果

爬图片

思路

1. 用requests模块得到网站的HTML
2. 用BeautifulSoup得到HTML的正则文本
3. 用find函数从正则文本中得到自己想要的，比如关键词img
4. 利用urllib模块下载
5. 利用for语句下载所有图片

源代码

import requests,urllib
from bs4 import BeautifulSoup

if __name__ == '__main__':
	rep = requests.get('https://darerd.github.io/2019/03/21/%E9%9A%8F%E6%83%B3-%E6%96%B0%E9%9B%B6%E5%94%AE%E4%BC%81%E4%B8%9A%E2%80%9C%E2%80%9C%E6%99%BA%E8%83%9C%E2%80%9D%E6%9C%AA%E6%9D%A5/')
	rep.encoding = rep.apparent_encoding
	html = rep.text
	bs = BeautifulSoup(html,'html.parser')
	img = bs.find_all('img')
	# 在bs正则文件中找到所有 带有img标签的结果
	x=1
	for i in img :
    # 利用for语句得到每一个图片的src
		imgsrc = i.get('src')
    # 从img中找到图片的下载链接，src
		urllib.request.urlretrieve(imgsrc,'./%s.jpg' %x)
    # 利用urllib模块去下载图片
		x=x+1
		print ('正在下载: %d '%x)

爬虫时必须会用网页源代码

以爬图片为例：

这是我们要爬的网站：[https://darerd.github.io/2019/03/21/随想-新零售企业““智胜”未来/]

打开网站后（我用的Chrome浏览器），键盘快捷键F12，即可打开网站的调试模式，效果如下：

右侧就是网站的源代码，可以用来爬

如果需要快速定位到某一部分的代码所在位置，我们可以鼠标右键，选择检查，如下图所示：

如果我们要快速定位某图片所在的代码位置，演示如下：

用这种方法观察每一张图片的源码：

它们的写法都是非常类似的，如下：

<img src="http://upload.hbrchina.org/2019/0213/1550028457604.jpg" alt="1550028961(1)">

src是图片的下载地址，alt是图片的便签，每一张图片都在img语句中

所以我们只要得到所有的img语句，然后从img语句中得到所有的src链接，就可以下载图片了。

每一种爬虫程序都类似，找到要爬部分的特点，然后调用相应的模块。

对于小白，难度就在于怎么样找到要爬部分的特点

---

以上