Python爬虫常用库介绍（requests、BeautifulSoup、lxml、json）
1、requests库
http协议中，最常用的就是GET方法： import requests response = requests.get('http://www.baidu.com') print(response.status_code) # 打印状态码 print(response.url) # 打印请求url print(response.headers) # 打印头信息 print(response.cookies) # 打印cookie信息 print(response.text) #以文本形式打印网页源码 print(response.content) #以字节流形式打印
除此GET方法外，还有许多其他方法：
import requests requests.get('http://httpbin.org/get') requests.post('http://httpbin.org/post') requests.put('http://httpbin.org/put') requests.delete('http://httpbin.org/delete') requests.head('http://httpbin.org/get') requests.options('http://httpbin.org/get')
2、BeautifulSoup库
BeautifulSoup库主要作用：
经过Beautiful库解析后得到的Soup文档按照标准缩进格式的结构输出，为结构化的数据，为数据过滤提取做出准备。
Soup文档可以使用find()和find_all()方法以及selector方法定位需要的元素：
1. find_all()方法
soup.find_all('div',"item") #查找div标签，class="item"
find_all(name, attrs, recursive, string, limit, **kwargs)
@PARAMS:
name: 查找的value，可以是string，list，function，真值或者re正则表达式
attrs: 查找的value的一些属性，class等。
recursive: 是否递归查找子类，bool类型
string: 使用此参数，查找结果为string类型；如果和name搭配，就是查找符合name的包含string的结果。
limit: 查找的value的个数
**kwargs: 其他一些参数
2. find()方法
find()方法与find_all()方法类似，只是find_all()方法返回的是文档中符合条件的所有tag,是一个集合，find()方法返回的一个Tag
3、select()方法
soup.selector(div.item > a > h1) 从大到小，提取需要的信息，可以通过浏览器复制得到。
select方法介绍
示例：
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
"""在写css时，标签名不加任何修饰，类名前加点，id名前加 #，我们可以用类似的方法来筛选元素，用到的方法是soup.select()，返回类型是list。
(1).通过标签名查找
print(soup.select('title')) #筛选所有为title的标签，并打印其标签属性和内容 # [The Dormouse's story ] print(soup.select('a')) #筛选所有为a的标签 # [, Lacie, Tillie] print(soup.select('b')) #筛选所有为b的标签，并打印 # [The Dormouse's story]
(2).通过类名查找
print soup.select('.sister') #查找所有class为sister的标签，并打印其标签属性和内容 # [, Lacie, Tillie]
(3).通过id名查找
print soup.select('#link1') #查找所有id为link1的标签，并打印其标签属性和内容 #[]
(4).组合查找
组合查找即和写class文件时，标签名与类名、id名进行的组合原理是一样的，例如查找p标签中，id等于link1的内容，二者需要空格分开。
print soup.select('p #link1') #[]
直接子标签查找
print soup.select("head > title") #[The Dormouse's story ]
(5).属性查找
查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。
print soup.select("head > title") #[The Dormouse's story ] print soup.select('a[href="http://example.com/elsie"]') #[]
属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格。
print soup.select('p a[href="http://example.com/elsie"]') #[]
BeautifulSoup库例句：
from bs4 import BeautifulSoup import requests f = requests.get(url,headers=headers) soup = BeautifulSoup(f.text,'lxml') for k in soup.find_all('div',class_='pl2'): #找到div并且class为pl2的标签 b = k.find_all('a') #在每个对应div标签下找a标签，会发现，一个a里面有四组span n.append(b[0].get_text()) #取第一组的span中的字符串
3、lxml库
lxml 是 一个HTML/XML的解析器，主要的功能是如何解析和提取 HTML/XML 数据。
示例如下：
# 使用 lxml 的 etree 库 from lxml import etree text = '''''' #利用etree.HTML，将字符串解析为HTML文档 html = etree.HTML(text) # 按字符串序列化HTML文档 result = etree.tostring(html) print(result)
- first item
- second item
- third item
- fourth item
- fifth item # 注意，此处缺少一个
闭合标签
输出结果如下：
<html><body>
<div>
<ul>
<li class="item-0"><a href="link1.html">first itema>li>
<li class="item-1"><a href="link2.html">second itema>li>
<li class="item-inactive"><a href="link3.html">third itema>li>
<li class="item-1"><a href="link4.html">fourth itema>li>
<li class="item-0"><a href="link5.html">fifth itema>li>
ul>
div>
body>html>
可以看到。lxml会自动修改HTML代码。例子中不仅补全了li标签，还添加了body，html标签。
4、json库
| 函数 | 描述 |
|---|---|
| json.dumps | 将python对象编码成JSON字符串 |
| json.loads | 将已编码的JSON字符串解析为python对象 |
1. json.dumps的使用
#!/usr/bin/python import json data = [ { 'name' : '张三', 'age' : 25}, { 'name' : '李四', 'age' : 26} ] jsonStr1 = json.dumps(data) #将python对象转为JSON字符串 jsonStr2 = json.dumps(data,sort_keys=True,indent=4,separators=(',',':')) #让JSON数据格式化输出,sort_keys:当key为文本，此值为True则按顺序打印，为False则随机打印 jsonStr3 = json.dumps(data, ensure_ascii=False) #将汉字不转换为unicode编码 print(jsonStr1) print('---------------分割线------------------') print(jsonStr2) print('---------------分割线------------------') print(jsonStr3)
输出结果：
[{"name": "\u5f20\u4e09", "age": 25}, {"name": "\u674e\u56db", "age": 26}]
---------------分割线------------------
[
{
"age":25,
"name":"\u5f20\u4e09"
},
{
"age":26,
"name":"\u674e\u56db"
}
]
---------------分割线------------------
[{"name": "张三", "age": 25}, {"name": "李四", "age": 26}]
2. json.loads的使用
#!/usr/bin/python import json data = [ { 'name' : '张三', 'age' : 25}, { 'name' : '李四', 'age' : 26} ] jsonStr = json.dumps(data) print(jsonStr) jsonObj = json.loads(jsonStr) print(jsonObj) # 获取集合第一个 for i in jsonObj: print(i['name'])
输出结果为：
[{"name": "\u5f20\u4e09", "age": 25}, {"name": "\u674e\u56db", "age": 26}]
[{'name': '张三', 'age': 25}, {'name': '李四', 'age': 26}]
张三
李四`