Python如何使用BeautifulSoup爬取網(wǎng)頁信息

更新時間：2019年11月26日 09:23:12 作者：陳暢

這篇文章主要介紹了Python如何使用BeautifulSoup爬取網(wǎng)頁信息,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下

簡單爬取網(wǎng)頁信息的思路一般是

1、查看網(wǎng)頁源碼

2、抓取網(wǎng)頁信息

3、解析網(wǎng)頁內(nèi)容

4、儲存到文件

現(xiàn)在使用BeautifulSoup解析庫來爬取刺猬實習(xí)Python崗位薪資情況

一、查看網(wǎng)頁源碼

這部分是我們需要的內(nèi)容，對應(yīng)的源碼為：

分析源碼，可以得知：

1、崗位信息列表在<section class="widget-job-list">中

2、每條信息在<article class="widget item">中

3、對于每條信息，我們需要提取出的內(nèi)容是公司名稱，職位，薪資

二、抓取網(wǎng)頁信息

使用request.get()抓取，返回的soup是網(wǎng)頁的文本信息

def get_one_page(url):
  response = requests.get(url)
  soup = BeautifulSoup(response.text, "html.parser")
  return soup

三、解析網(wǎng)頁內(nèi)容

1、找到起始位置<section>

2、在<article>中匹配到各項信息

3、返回信息列表用以存儲

def parse_page(soup):
  #待存儲的信息列表
  return_list = []
  #起始位置
  grid = soup.find('section', attrs={"class": "widget-job-list"})
  if grid:
    #找到所有的崗位列表
    job_list = soup.find_all('article', attrs={"class": "widget item"})

    #匹配各項內(nèi)容
    for job in job_list:
      #find()是尋找第一個符合的標(biāo)簽
      company = job.find('a', attrs={"class": "crop"}).get_text().strip()#返回類型為string，用strip（）可以去除空白符，換行符
      title = job.find('code').get_text()
      salary = job.find('span', attrs={"class": "color-3"}).get_text()
      #將信息存到列表中并返回
      return_list.append(company + " " + title + " " + salary)
  return return_list

四、存儲到文件

將列表信息存儲到shixi.csv文件中

def write_to_file(content):
  #以追加的方式打開，設(shè)置編碼格式防止亂碼
  with open("shixi.csv", "a", encoding="gb18030")as f:
    f.write("\n".join(content))

五、爬取多頁信息

在網(wǎng)頁url中可以看到最后的page代表的是頁數(shù)信息

所以在main方法中傳入一個page，然后循環(huán)運行main(page)就可以爬取多頁信息了

def main(page):
  url = 'https://www.ciweishixi.com/search?key=python&page=' + str(page)
  soup = get_one_page(url)
  return_list = parse_page(soup)
  write_to_file(return_list)
if __name__ == "__main__":
  for i in range(4):
    main(i)

六、運行結(jié)果

七、完整代碼

import requests
import re
from bs4 import BeautifulSoup

def get_one_page(url):
  response = requests.get(url)
  soup = BeautifulSoup(response.text, "html.parser")
  return soup

def parse_page(soup):
  #待存儲的信息列表
  return_list = []
  #起始位置
  grid = soup.find('section', attrs={"class": "widget-job-list"})
  if grid:
    #找到所有的崗位列表
    job_list = soup.find_all('article', attrs={"class": "widget item"})

    #匹配各項內(nèi)容
    for job in job_list:
      #find()是尋找第一個符合的標(biāo)簽
      company = job.find('a', attrs={"class": "crop"}).get_text().strip()#返回類型為string，用strip（）可以去除空白符，換行符
      title = job.find('code').get_text()
      salary = job.find('span', attrs={"class": "color-3"}).get_text()
      #將信息存到列表中并返回
      return_list.append(company + " " + title + " " + salary)
  return return_list

def write_to_file(content):
  #以追加的方式打開，設(shè)置編碼格式防止亂碼
  with open("shixi.csv", "a", encoding="gb18030")as f:
    f.write("\n".join(content))
def main(page):
  url = 'https://www.ciweishixi.com/search?key=python&page=' + str(page)
  soup = get_one_page(url)
  return_list = parse_page(soup)
  write_to_file(return_list)
if __name__ == "__main__":
  for i in range(4):
    main(i)

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: