如何使用Python爬取求職網requests庫和BeautifulSoup庫

這篇文章主要講解了“如何使用Python爬取求職網requests庫和BeautifulSoup庫”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“如何使用Python爬取求職網requests庫和BeautifulSoup庫”吧！

目錄

• 一、requests庫

• 1、requests簡介

• 2、安裝requests庫

• 3、使用requests獲取網頁數據 我們先導入模塊

• 4、總結requests的一些方法

• 二、BeautifulSoup庫

• 1、BeautifulSoup簡介

• 2、安裝BeautifulSoup庫

• 3、使用BeautifulSoup解析并提取獲取的數據

• 4、BeautifulSoup提取數據的方法

一、requests庫

1、requests簡介

requests庫就是一個發起請求的第三方庫，requests允許你發送HTTP/1.1 請求，你不需要手動為 URL 添加查詢字串，也不需要對 POST 數據進行表單編碼。Keep-alive 和 HTTP 連接池的功能是 100% 自動化的，一切動力都來自于根植在 requests 內部的 urllib3。簡單來說有了這個庫，我們就能輕而易舉向對應的網站發起請求，從而對網頁數據進行獲取，還可以獲取服務器返回的響應內容和狀態碼。

requesets中文文檔頁面https://requests.kennethreitz.org/zh_CN/latest/

2、安裝requests庫

一般電腦安裝的Python都會自帶這個庫，如果沒有就可在命令行輸入下面這行代碼安裝

pip install requests

3、使用requests獲取網頁數據 我們先導入模塊

import requests

• 對想要獲取數據的網站發起請求，以下以qq音樂官網為例

res = requests.get('https://y.qq.com/') #發起請求
print(res) #輸出<Response [200]>

輸出的200其實就是一個響應狀態碼，下面給大家列出有可能返回的各狀態碼含義

• 獲取qq音樂首頁的網頁源代碼

res = requests.get('https://y.qq.com/')  #發起請求
print(res.text)   #res.text就是網頁的源代碼

4、總結requests的一些方法

既然我們學好了如何獲取網頁源代碼，接下來我們就學習下怎么用BeautifulSoup庫對我們獲取的內容進行提取。

二、BeautifulSoup庫

1、BeautifulSoup簡介

BeautifulSoup是Python里的第三方庫，處理數據十分實用，有了這個庫，我們就可以根據網頁源代碼里對應的HTML標簽對數據進行有目的性的提取。BeautifulSoup庫一般與requests庫搭配使用。 不熟的HTML標簽的最好去百度下，了解一些常用的標簽。

2、安裝BeautifulSoup庫

同樣的如果沒用這個庫，可以通過命令行輸入下列代碼安裝

pip install beautifulsoup4

3、使用BeautifulSoup解析并提取獲取的數據

import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header)  #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser')  #第一個參數是HTML文本，第二個參數html.parser是Python內置的編譯器
print(soup)  #輸出qq音樂首頁的源代碼

部分輸出結果

看到輸出結果，我們已經成功將網頁源代碼解析成BeautifulSoup對象。這時可能有人就會問res.text輸出的不就是網頁代碼了嗎，何苦再將它轉為BeautifulSoup對象呢?
我們先來通過type()函數看下它們的類型

import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) 	Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header)  #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser')  #第一個參數是HTML文本，第二個參數html.parser是Python內置的編譯器
print(type(res.text))
print(type(soup))

輸出結果

我們可以看到res.text的類型是字符串類型，而soup則是BeautifulSoup對象類型。相比于res.text的字符串類型，soup的BeautifulSoup對象類型擁有著更多可用的方法，以便我們快速提取出需要的數據。這就是為什么我們要多此一步了。

4、BeautifulSoup提取數據的方法

• 先來了解兩個最常用的方法

這兩個函數傳入的參數就是我們對數據的篩選條件了，我們可以向這兩個函數分別傳入什么參數呢？

我們以下面在qq音樂首頁截取的源代碼片段為例，試用兩個函數

		<div class="index__hd">
            <h3 class="index__tit"><i class="icon_txt">歌單推薦</i></h3>
        </div>
        <!-- 切換 -->
        <div class="mod_index_tab" data-stat="y_new.index.playlist">
	<a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item index_tab__item--current js_tag" data-index="0" data-type="recomPlaylist" data-id="1">為你推薦</a>
		    <a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item js_tag" data-type="playlist" data-id="3056">網絡歌曲</a>
	               <a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item js_tag" data-type="playlist" data-id="3256">綜藝</a>
		    <a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item js_tag" data-type="playlist" data-id="59">經典</a>
		    <a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item js_tag" data-type="playlist" data-id="3317">官方歌單</a>
		    <a href="javascript:;" rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"  rel="external nofollow"              class="index_tab__item js_tag" data-type="playlist" data-id="71">情歌</a>
        </div>

find()函數

如果想要獲取歌單推薦這一行的內容，我們就需要先對歌單推薦的HTML標簽進行識別，我們發現它在class="icon_txt"的i標簽下，接著就可以通過以下這種方法進行提取

	import requests
	from bs4 import BeautifulSoup
	header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
	res = requests.get('https://y.qq.com/',headers=header)  #headers是一種反爬蟲措施
	soup = BeautifulSoup(res.text,'html.parser')  #第一個參數是HTML文本，第二個參數html.parser是Python內置的編譯器
	print(soup.find('i', class_='icon_txt'))  #找到 class_='icon_txt'的 i 標簽	

因為 class 是 Python 中定義類的關鍵字，所以用 class_ 表示 HTML 中的 class

輸出結果

find_all()函數

如果我們想要把歌單推薦的全部主題提取下來的話，就要用到find_all()函數

同樣的，我們發現這幾個主題都在 class="index_tab__item js_tag"的 a標簽下，這時為了避免篩選到源代碼中其他同為class="index_tab__item js_tag"的標簽，我們需要再加多一個條件data-type=“playlist”，具體怎么操作呢？

import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header)  #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser')  #第一個參數是HTML文本，第二個參數html.parser是Python內置的編譯器
print(soup.find('i', class_='icon_txt'))
items = soup.find_all('a',attrs={"class" :"index_tab__item js_tag","data-type":"playlist"})

實現的方法就是在第二個參數處傳入一個鍵值對，在里面添加篩選的屬性

輸出結果

通過上面兩個小案例，我們發現find()和find_all()函數返回的是Tag對象和Tag對象組成的列表，而我們需要的并不是這一大串東西，我們需要的只是Tag對象的text屬性或者href(鏈接)屬性，實現代碼如下

import requests
from bs4 import BeautifulSoup
header={'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/87.0.4280.66 Safari/537.36'}
res = requests.get('https://y.qq.com/',headers=header)  #headers是一種反爬蟲措施
soup = BeautifulSoup(res.text,'html.parser')  #第一個參數是HTML文本，第二個參數html.parser是Python內置的編譯器
tag1=soup.find('i', class_='icon_txt')
print(tag1.text)
items = soup.find_all('a',attrs={"class" :"index_tab__item js_tag","data-type":"playlist"})
for i in items:  #遍歷列表
    tag2=i.text
    print(tag2)

輸出結果

這樣我們就成功把主題的文本內容獲取了，而想要提取標簽中的屬性值，則可以用對象名[‘屬性']的方法獲取，這里就不演示了

感謝各位的閱讀，以上就是“如何使用Python爬取求職網requests庫和BeautifulSoup庫”的內容了，經過本文的學習后，相信大家對如何使用Python爬取求職網requests庫和BeautifulSoup庫這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！