Python中Requests-get方法的使用

以https://books.toscrape.com/网站为例：

打开网页

先把网页打开，然后右键检查，找到网络一栏，这个时候发现下面是空白，什么也没有：

刷新一下就好了，刷新之后：

点击第一个进行查看：

可以看到请求方法是"GET"方法，请求的URL也可以看到。

页面的最下方可以发现页面不止一页，点击到下一页并且继续检查页面：

现在使用相同的格式，输入"https://books.toscrape.com/catalogue/page-1.html"进行查看，发现回到了首页。一般第一页就是首页，所以后面的路径也不会加上/catalogue/page-2.html，可以多看几个页面就会发现。

使用代码获取页面内容

headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/113.0.0.0 Safari/537.36"
}

首先要添加爬虫的头部，因为很多页面对爬虫具有反爬的限制，加上头部之后可以模拟正常的浏览器请求，成功几率更高。这一部分在要访问的页面的请求头部分：

url = "https://books.toscrape.com/catalogue/page-1.html"

这一部分声明要访问的网址。

responce = requests.get(url,headers=headers).text

把这一部分拆解开：

requests.get(url,headers=headers)：带着相应的请求头、以GET方式、访问上面的URL。

requests.get(url,headers=headers).text：将上述内容以文本的方式进行返回。

responce = requests.get(url,headers=headers).text：将内容返回给response这个变量。

查看结果

运行之后显示出了相应页面的内容。但格式有点凌乱，可以使用某些方法进行调整。

页面格式修改

这个时候就要引出BeautifulSoup这个库。BeautifulSoup是一个Python库，用于从HTML和XML文档中提取数据。它提供了一种简单和灵活的方式来解析和遍历这些文档，使得提取特定信息变得更加方便。

soup = BeautifulSoup(responce,"html.parser")

这一步的意义是将获取的网页内容（响应文本）使用BeautifulSoup进行解析，以便能够方便地提取和操作其中的数据。如果没有这一步，那么无法使用BeautifulSoup的功能来解析网页内容。在没有进行解析的情况下，你将只是得到一个纯文本的响应内容，难以直接提取所需的特定数据。你将不得不手动处理响应内容来查找、提取所需的信息，这是非常繁琐和容易出错的。
现在进行print（soup）会发现页面格式简洁了很多。

语法解释：

• response: 这是一个必需的参数，表示要解析的文档内容。在这个例子中，response是通过发送HTTP请求获取的网页内容，也就是服务器返回的响应文本。它是一个字符串类型的变量，包含了HTML文档的内容。
• “html.parser”: 这是第二个参数，它指定了使用的解析器。在这种情况下，使用的是Python内置的HTML解析器，称为"html.parser"。该解析器是BeautifulSoup库的一个组成部分，可以将HTML文档转换为解析树，以便进行进一步的处理和提取。

其他可选的解析器还有"lxml"和"html5lib"。它们都是第三方库，具有不同的特性和性能。选择合适的解析器取决于你的需求和环境。

综上所述，BeautifulSoup(response, “html.parser”)中的两个参数分别表示要解析的文档内容和使用的解析器类型。

爬取书名

使用爬虫肯定是对内容进行爬取，接下来对书名进行爬取。
思路大概分为几步：相应页面的URL、请求头的配置、页面内容的查看、代码参数的配置。
URL以及请求头都已经配置完毕了，接下来对页面内容进行查看，查看书名的地方都有什么特点：

可以发现，外部都有一个h3，然后内部被a标签给包围住了，接下来看代码：

soup = BeautifulSoup(responce,"html.parser")
all_title = soup.findAll("h3")

对soup中的所有内容进行搜索，搜索其中包含在"h3"标签中的内容，查看输出：

可以发现，确实输出了"h3"标签中的内容，但是其中的内容并不是我们都想要的，接下来还要进行过滤，看代码：

all_title = soup.findAll("h3")
for i in all_title:
    title = i.find("a")
    print(title)

现在对每一个"h3"标签中的内容进行遍历，然后找到其中"a"标签中的内容，查看输出：

针对于"a"标签中的内容，我们不想要html中的标签，只想要html中的文本，所以继续加参数，看代码：

all_title = soup.findAll("h3")
for i in all_title:
    title = i.find("a")
    print(title.string)

这里对于最后的print进行了限制，输出title的string类型，也就是只要其中的文本类型，查看输出：

可以发现，只输出了书名，这个效果也正是我们想要的。

完整代码以及注释

代码

from bs4 import BeautifulSoup
import requests
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/113.0.0.0 Safari/537.36"
}#请求头改成自己的
url = "https://books.toscrape.com/catalogue/page-1.html"
responce = requests.get(url,headers=headers).text
soup = BeautifulSoup(responce,"html.parser")
all_title = soup.findAll("h3")
for i in all_title:
    title = i.find("a")
    print(title.string)

注释

• from bs4 import BeautifulSoup: 导入BeautifulSoup库，这是为了使用其中的解析和提取功能。
• import requests: 导入requests库，这是为了发送HTTP请求获取网页内容。
• headers = {...}: 定义了一个字典类型的变量headers，其中包含了请求头信息。这个请求头信息中设置了User-Agent字段，模拟浏览器发送请求。
• url = "https://books.toscrape.com/catalogue/page-1.html": 定义了要爬取的目标网页的URL地址。
• response = requests.get(url, headers=headers).text: 发送HTTP GET请求到指定的URL，并获取响应对象。.text将响应内容以文本形式返回。将获取到的响应文本赋值给response变量。
• soup = BeautifulSoup(response, "html.parser"): 使用BeautifulSoup库将获取到的响应文本进行解析，创建一个BeautifulSoup对象。传入参数response作为要解析的文档内容，以及解析器类型"html.parser"。
• all_title = soup.findAll("h3"): 使用BeautifulSoup对象的findAll方法，查找所有<h3>标签，并将结果存储在变量all_title中。findAll返回一个列表，其中包含了所有匹配的标签。
• for i in all_title:: 对于all_title列表中的每个元素进行迭代。
• title = i.find("a"): 在当前迭代的<h3>标签中，使用find方法查找第一个<a>标签，并将结果存储在变量title中。
• print(title.string): 打印title标签的文本内容，即书籍的标题。使用.string获取标签内的文本。

这段代码的作用是从指定的网页中爬取书籍标题信息，并将其打印出来。它使用requests库发送HTTP请求获取网页内容，然后使用BeautifulSoup库解析网页并提取所需信息。最后通过循环打印出每个书籍的标题。

翻页查询所有

放到下一篇详细进行介绍。

到此这篇关于Python中Requests-get方法的使用的文章就介绍到这了,更多相关Python Requests-get内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论