一文教会你用Python3获取网页源代码

前言

爬虫的数据爬取量非常大，显然不可能对每个页面都手动复制源代码，因此就有必要使用自动化的方式来获取网页源代码。requests是Python的一个第三方HTTP（Hypertext Transfer Protocol，超文本传输协议）库，它比Python自带的网络库urllib更加简单、方便和人性化。使用requests可以让Python实现访问网页并获取源代码的功能。使用requests获取网页的源代码，最简单的情况下只需要两行代码：

      #使用requests获取源代码
      import requests
      source = requests.get('https://www.baidu.com').content.deocde()

一、Python的第三方库

在Python开发的过程中，常常需要将一些功能比较通用的代码抽离出来作为一个单独的模块，从而被多个工程调用。这种公共的模块称为Python的库（Library,Lib）。Python在发布时会自带一些由官方开发的常用的库，例如正则表达式“re”、时间“time”等。这些库称为“官方库”。而由非官方发布的库，则称为“第三方库”。Python之所以如此强大，正是由于它拥有非常多的第三方库。使用第三方库，可以轻易实现各种各样的功能。以获取网页内容为例，Python其实自带了两个模块，分别是urllib和urllib2。使用这两个模块也可以获取网页内容。但是这两个模块使用起来非常麻烦。而requests这个第三方库，让获取网页内容变得极其简单。requests这个库的作者给这个库取了一个副标题“HTTP for humans”，直接翻译过来就是“这才是给人用的HTTP库”。

Python的第三方库需要手动安装。如果系统只有一个Python版本，那么手动安装第三方库时需要在Mac OS/Linux的终端或者Windows的CMD中执行以下命令：

pip install第三方库的名字

需要注意的是，如果系统同时有Python 2和Python 3，并且Python 3是后安装的，那么要为Python 3安装第三方库，就需要使用如下命令：

pip3 install第三方库的名字

安装完第三方库以后，就可以在Python中使用了。使用第三方库，就像使用Python自带的库一样，首先需要使用“import”关键字将它导入，然后才能使用。还有一点需要特别强调，开发者自己写的.py文件的名字绝对不能和Python自带的模块或者已经安装的第三方库的名字相同，否则会产生问题。例如，内容涉及requests和正则表达式，那么开发在测试代码的时候绝对不能自行创建名为“requests.py”或者“re.py”的文件官方的或第三方库名字一样。一旦创建，代码必定报错。

二、requests介绍与安装

使用pip安装requests，代码如下：

pip install requests

pip在线安装时可能会受到防火墙的干扰，因此也可以使用源代码安装。打开网页https://github.com/kennethreitz/requests，单击“Clone or download”按钮，再单击“Download ZIP”按钮下载源代码，如图所示。

解压源代码，找到setup.py，并打开CMD窗口或者终端，在放置这个setup.py文件的文件夹中执行以下代码：

python3 setup.py install

安装完成以后打开CMD或者终端，进入Python交互环境，输入以下代码

>>>import requests

如果不报错，则表示requests已经成功安装，如图所示：

三、使用requests获取网页源代码

使用浏览器来访问网页，看起来只需要输入网址就可以。但其实网页有很多种打开方式，最常见的是GET方式和POST方式。在浏览器里面可以直接通过输入网址访问的页面，就是使用了GET方式。还有一些页面，只能通过从另一个页面单击某个链接或者某个按钮以后跳过来，不能直接通过在浏览器输入网址访问，这种网页就是使用了POST方式。

1．GET方式

对于使用GET方式的网页，在Python里面可以使用requests的get()方法获取网页的源代码：

import requests
html = requests.get('网址')
html_bytes = html.content
html_str = html_bytes.decode()

在这4行代码中，第1行导入了requests库，这样代码里面才能使用。第2行使用GET方法获取了网页，得到一个Response对象。此时如果直接打印HTML变量，得到的是：

<Response [200]>

第3行使用.content这个属性来显示bytes型网页的源代码。第4行代码将bytes型的网页源代码解码为字符串型的源代码。对于上面的4行代码，可以将后3行合并，缩减为两行代码：

import requests
html_str = requests.get('网址').content.decode()

之所以需要把bytes型的数据解码为字符串型的数据，是因为在bytes型的数据类型下，中文是无法正常显示的。这个“解码”对应的英文为“decode”，因而我们需要使用.decode()这个方法。

html = requests.get('网址').content.decode('GBK')
html = requests.get('网址').content.decode('GB2312')
html = requests.get('网址').content.decode('GB18030')

编码格式有几十种，但最常见的是“UTF-8”“GBK”“GB2312”和“GB18030”。具体使用哪一种编码格式，需要根据实际情况来选择。大多数情况下使用“UTF-8”，但也有一些网站会使用“GBK”或者“GB2312”。可以每一种编码格式都测试一下，通过打印出网页的源代码，查看里面的中文是否显示正常，以中文可以正常显示为准。

2．POST方式网页的访问方式

除了GET方式以外，还有POST方式。有一些网页，使用GET和POST方式访问同样的网址，得到的结果是不一样的。还有另外一些网页，只能使用POST方式访问，如果使用GET方式访问，网站会直接返回错误信息。

此时就需要使用requests的post()方法来获取源代码。post()方法的格式如下：

import requests
data = {'key1': 'value1','key2': 'value2'}
html_formdata = requests.post('网址', data=data).content.decode()
#用formdata提交数据

其中，data这个字典的内容和项数需要根据实际情况修改，Key和Value在不同的网站是不一样的。而做爬虫，构造这个字典是任务之一。还有一些网址，提交的内容需要是JSON格式的，因此post()方法的参数需要进行一些修改：

html_json = requests.post('网址', json=data).content.decode() 
#使用JSON提交数据

这样写代码，requests可以自动将字典转换为JSON字符串。

四、结合requests与正则表达式

以GET方式为例，通过requests获得了网页的源代码，就可以对源代码字符串使用正则表达式来提取文本信息。

现在需要把标题和两段中文提取下来，可以通过正则表达式来实现。

1、 提取标题。

title = re.search(‘title>(.*? )<', html, re.S).group(1)

2、提取正文，并将两段正文使用换行符拼接起来。

content_list = re.findall(‘p>(.*? )<', html, re.S)
content_str = ‘\n'.join(content_list)

总结

到此这篇关于用Python3获取网页源代码的文章就介绍到这了,更多相关Python3获取网页源代码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