a.首先伪造浏览器向某个地址发送HTTP请求，获取返回的字符串
import requestsresponse=requests.get(url=‘地址‘)#get请求 response.content #内容 response.encoding=apparent_encoding #检测编码形式，并设置编码 response.text #自动转码
b.通过Beautifulsoup4解析HTML格式字符串
from bs4 import BeautifulSoup
soup = BeautifulSoup(‘<html>...</html>‘, ‘html.parser‘)#解析嵌套,html.parser解析器，lxml等
div = soup.find(name=‘标签名‘, id=‘li‘)
div = soup.find(name=‘标签名‘, _class=‘li‘)
div = soup.find(name=‘标签名‘, attrs={‘id‘ = ‘li‘, ‘class‘:‘id‘})
div.text
div.attrs
div.get(‘href‘)
divs = soup.find_all(name=‘标签名‘, id=‘li‘)
divs = soup.find_all(name=‘标签名‘, _class=‘li‘)
divs = soup.find_all(name=‘标签名‘, attrs={‘id‘ = ‘li‘, ‘class‘:‘id‘})
#find找到匹配成功的第一个
#find_all全部匹配，divs为列表
import requests
from bs4 import BeautifulSoup
#下载页面
ret=requests.get(
url=‘https://www.autohome.com.cn/news/‘
)
# print(ret.apparent_encoding) #检测编码形式
# print(ret.content) #内容
ret.encoding=ret.apparent_encoding #设置编码
# print(ret.text) #自动转码
#解析，获取想要的内容 beautifulsoup4
soup=BeautifulSoup(ret.text,‘html.parser‘) #解析嵌套,html.parser解析器，lxml
#find找到匹配成功的第一个
#find_all全部匹配
div=soup.find(name=‘div‘,id=‘auto-channel-lazyload-article‘)
li_list=div.find_all(name=‘li‘)
for li in li_list:
#标题
h3=li.find(name=‘h3‘)
if not h3:
continue
# print(h3.text)#h3.text取文本
#简介
p=li.find(name=‘p‘)
# print(p.text)
#地址
a=li.find(name=‘a‘)
# print(a.attrs)#获取属性
# print(a.get(‘href‘))
print(h3.text,a.get(‘href‘))
print(p.text)
print(‘=‘*15)
#图片
img=li.find(name=‘img‘)
src=img.get(‘src‘)
file_name=src.rsplit(‘__‘,maxsplit=1)[1]
ret_img=requests.get(
url=‘https:‘+src
)
with open(file_name,‘wb‘) as f:
f.write(ret_img.content)
原文地址：https://www.cnblogs.com/q1ang/p/9250057.html
时间： 2024-09-29 18:49:01