python

超轻量级php框架startmvc

Python如何使用BeautifulSoup爬取网页信息

更新时间:2020-08-10 08:54:01 作者:startmvc
这篇文章主要介绍了Python如何使用BeautifulSoup爬取网页信息,文中通过示例代码介绍的非常详

这篇文章主要介绍了Python如何使用BeautifulSoup爬取网页信息,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

简单爬取网页信息的思路一般是

1、查看网页源码

2、抓取网页信息

3、解析网页内容

4、储存到文件

现在使用BeautifulSoup解析库来爬取刺猬实习Python岗位薪资情况

一、查看网页源码

这部分是我们需要的内容,对应的源码为:

分析源码,可以得知:

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

2、每条信息在<article class="widget item">中

3、对于每条信息,我们需要提取出的内容是 公司名称,职位, 薪资

二、抓取网页信息

使用request.get()抓取,返回的soup是网页的文本信息


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

三、解析网页内容

1、找到起始位置<section>

2、在<article>中匹配到各项信息

3、返回信息列表用以存储


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

 #匹配各项内容
 for job in job_list:
 #find()是寻找第一个符合的标签
 company = job.find('a', attrs={"class": "crop"}).get_text().strip()#返回类型为string,用strip()可以去除空白符,换行符
 title = job.find('code').get_text()
 salary = job.find('span', attrs={"class": "color-3"}).get_text()
 #将信息存到列表中并返回
 return_list.append(company + " " + title + " " + salary)
 return return_list

四、存储到文件

将列表信息存储到shixi.csv文件中


def write_to_file(content):
 #以追加的方式打开,设置编码格式防止乱码
 with open("shixi.csv", "a", encoding="gb18030")as f:
 f.write("\n".join(content))

五、爬取多页信息

在网页url中 可以看到最后的page代表的是页数信息

所以在main方法中传入一个page,然后循环运行main(page)就可以爬取多页信息了


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、运行结果

七、完整代码


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

 #匹配各项内容
 for job in job_list:
 #find()是寻找第一个符合的标签
 company = job.find('a', attrs={"class": "crop"}).get_text().strip()#返回类型为string,用strip()可以去除空白符,换行符
 title = job.find('code').get_text()
 salary = job.find('span', attrs={"class": "color-3"}).get_text()
 #将信息存到列表中并返回
 return_list.append(company + " " + title + " " + salary)
 return return_list

def write_to_file(content):
 #以追加的方式打开,设置编码格式防止乱码
 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内容,希望对大家的学习有所帮助,也希望大家多多支持脚本之家。

python BeautifulSoup 爬取 网页信息