抓取网页新闻( Python中解析网页的基本流程和使用方法（上）)

　　抓取网页新闻(

Python中解析网页的基本流程和使用方法（上）)

　　

　　爬虫是 Python 的一个重要应用。使用Python爬虫，我们可以很方便的从网上抓取我们想要的数据

　　本文将以爬取并存储B站视频热搜榜数据为例，详细介绍Python爬虫的基本流程。

　　如果你还处于爬取的入门阶段或者不知道爬取的具体工作流程，那么你应该仔细阅读这篇文章！

　　第 1 步：尝试请求

　　先进入b站首页，点击排行榜，复制链接

　　现在开始，并运行以下代码

　　在上面的代码中，我们完成了以下三件事

　　*敏*感*词*

　　使用方法构造请求

　　使用获取网页状态码

　　可以看到返回值为 ，表示服务器响应正常，表示我们可以继续

　　第 2 步：解析页面

　　在上一步中，我们通过requests向网站请求数据后，成功得到了一个收录服务器资源的Response对象，现在我们可以使用它来查看它的内容了

　　

　　可以看到返回的是一个字符串，里面收录了我们需要的热榜视频数据，但是直接从字符串中提取内容复杂且效率低，所以我们需要对其进行解析，将字符串转换成网页结构数据，即使查找 HTML 标记及其属性和内容变得容易。

　　Python解析网页的方式有很多种，可以用，也可以用，或者，本文将基于BeautifulSoup进行讲解

　　Beautiful Soup 是一个第三方库，可以从 HTML 或 XML 文件中提取数据

　　安装也很简单，使用安装即可

　　让我们用一个简单的例子来说明它是如何工作的

　　在上面的代码中，我们通过bs4中的BeautifulSoup类将上一步得到的html格式字符串转换成BeautifulSoup对象。请注意，使用时需要指定解析器。这里我们使用

　　然后就可以获取其中一个结构元素及其属性，比如用 获取页面标题，也可以使用 等获取任何需要的元素

　　第三步：提取内容

　　上面两步中，我们使用requests向网页请求数据，使用bs4解析页面。现在我们来到最关键的一步：如何从解析后的页面中提取出需要的内容。

　　在 Beautiful Soup 中，我们可以使用来定位元素，但我更习惯使用 CSS 选择器，因为可以像使用 CSS 选择元素一样沿着 DOM 树向下移动

　　现在我们用代码来说明如何从解析后的页面中提取B站热榜的数据。首先，我们需要找到存储数据的标签，在列表页按F12按照下面的说明找到

　　

　　可以看到每个视频信息都包裹在li标签下，那么代码可以这样写

　　在上面的代码中，我们先使用它，然后返回一个收录每个视频信息的列表，然后遍历每个视频信息，仍然使用 CSS 选择器来提取我们想要的字段信息，并在开头以字典的形式存储定义好的空列表

　　可以注意到我使用了多种选择方法来提取元素，这也是选择方法的灵活性。有兴趣的读者可以自行进一步研究。

　　第 4 步：存储数据

　　通过前三步，我们成功使用requests+bs4从网站中提取出需要的数据，最后只需要将数据写入Excel并保存即可。

　　如果对pandas不熟悉，可以使用模块来写，需要注意设置编码，否则会出现中文乱码问题

　　如果您熟悉 pandas，您可以通过一行代码轻松地将字典转换为 DataFrame

　　

　　概括

　　至此，我们已经成功使用Python将b站热门视频列表的数据存储在本地。大多数基于请求的爬虫基本上都遵循以上四个步骤。

　　不过，虽然看起来很简单，但在实景中的每一步都不是那么容易的。从请求数据来看，目标网站有各种形式的反爬取、加密，以及后期分析、提取甚至存储数据。需要进一步探索和学习。

　　本文选择B站视频热榜，正是因为够简单。希望通过这个案例大家可以了解爬虫的基本流程，最后附上完整代码

　　-结尾-