上一章咱们使用Python实现了一个简单的HTTP请求，瞧着简单，爬虫就是模拟人打开一个个URL浏览一个个网页来爬取数据的，一个成功的HTTP请求，就是一个爬虫的基础。
接下来，咱们以一个实际的例子：爬取百度新闻，来介绍使用BeautifulSoup对HTML进行解析处理。

爬取腾讯新闻

1、寻找数据特征
腾讯新闻的网址URL为：http://news.qq.com/
我们打开网页看看：

我们需要爬取这个页面每一条新闻的标题，鼠标右击一条新闻的标题，选择“审查元素”，出现下图的窗口：

图片中红框的位置就是那一条新闻标题在HTML中的结构、位置和表现形式：

<a target="_blank" class="linkto" href="http://news.qq.com/a/20170104/001280.htm">北京2016年39天重污染 PM2.5仍超国标一倍</a>

它上一级元素为：<em class=”f14 l24″>，再上一级元素为：<div class=”text”>
我们再看另一条新闻的标题，发现它的结构和之前我们分析的新闻标题的结构是一样的：

<div class="text">
<em class="f14 l24">
<a target="_blank" class="linkto" href="http://news.qq.com/a/20170104/000968.htm">台拟将蔡英文贺岁春联“自自冉冉”一词列入辞典
</a>
</em>
</div>

通过这些信息，我们就可以确定新闻标题在HTML文档中的位置。
接下来，我们开始使用Python对腾讯新闻标题进行爬取
** 2、编写爬取代码
首先上完整的代码

# coding:utf-8

# 引入相关模块
import requests
from bs4 import BeautifulSoup

url = "http://news.qq.com/"
# 请求腾讯新闻的URL，获取其text文本
wbdata = requests.get(url).text
# 对获取到的文本进行解析
soup = BeautifulSoup(wbdata,'lxml')
# 从解析文件中通过select选择器定位指定的元素，返回一个列表
news_titles = soup.select("div.text > em.f14 > a.linkto")

# 对返回的列表进行遍历
for n in news_titles:
    # 提取出标题和链接信息
    title = n.get_text()
    link = n.get("href")
    data = {
        '标题':title,
        '链接':link
    }
    print(data)

 

运行程序，获取到的部分结果为如下所示：

C:\Python34\python.exe H:/python/scrap/scrap_tech_book/scrap_tennetNews.py
{'标题': '2017年首个断崖降级官员曝光 他犯了什么事？', '链接': 'http://news.qq.com/a/20170104/002209.htm'}
{'标题': '湄公河武装执法纪实：队员吃饭都要死死盯着前方', '链接': 'http://news.qq.com/a/20170104/007148.htm'}
{'标题': '河南台前县出台彩礼“指导标准”：总数不得高于6万', '链接': 'http://news.qq.com/a/20170104/001693.htm'}
{'标题': '摆射击摊获刑老太谈上诉原因：怕预订的咸菜浪费了', '链接': 'http://news.qq.com/a/20170104/013261.htm'}
{'标题': '美国联军承认在叙伊有“误伤”：打死近二百平民', '链接': 'http://news.qq.com/a/20170104/005283.htm'}
{'标题': '辽宁黑山企业人员退休先缴四百元：未经省级审批', '链接': 'http://news.qq.com/a/20170104/006323.htm'}
{'标题': '罗布泊遇难者李中华的骨灰回家：身份仍有3大谜团', '链接': 'http://news.qq.com/a/20170104/003139.htm'}
{'标题': '嫌楼上邻居吵，这家人买“震楼神器”反击', '链接': 'http://news.qq.com/a/20170104/001582.htm'}
{'标题': '12岁女孩疑似被弃 因妈妈买不起她的火车票？', '链接': 'http://news.qq.com/a/20170104/004622.htm'}
{'标题': '向美国商务部说“NO” 这家中国民企打赢美国官司', '链接': 'http://news.qq.com/a/20170104/000322.htm'}
{'标题': '台拟将蔡英文贺岁春联“自自冉冉”一词列入辞典', '链接': 'http://news.qq.com/a/20170104/000968.htm'}
{'标题': '新华社：姚明资历经验尚浅 任篮协主席尚有障碍', '链接': 'http://news.qq.com/a/20170104/000330.htm'}
{'标题': '新京报：法院拍卖BB弹玩具枪，自己人也糊涂？', '链接': 'http://news.qq.com/a/20170104/001344.htm'}

这正是我们所需要的。
虽然代码很简单，但还是做一点点讲解，方便刚刚接触的同学。
3、代码解析

# coding:utf-8

首先，我们定义了文件的编码形式为UTF-8，以避免一些编码错误导致中文乱码。

import requests
from bs4 import BeautifulSoup

然后，我们引入了相关的模块，requests用于HTTP请求，BeautifulSoup用于解析HTML响应。

url = "http://news.qq.com/"

设置一个变量url，值为腾讯新闻的URL

wbdata = requests.get(url).text

使用requests.get()对URL发起GET方式的HTTP请求，并使用text()方法获取响应的文本内容，最后将其赋值给变量wbdata。

soup = BeautifulSoup(wbdata,'lxml')

使用BeautifulSoup对响应文本wbdata进行解析处理，这里使用的是lxml库，如何没有安装，可以使用Python自带的html.parser，效果也是一样的。

news_titles = soup.select("div.text > em.f14 > a.linkto")

在解析后的文本中，使用select选择器，在文本中选择指定的元素，通常我们还会使用find()和findall()方法来进行元素选择。
这一步返回的为一个列表，列表内的元素为匹配的元素的HTML源码。

for n in news_titles:   
 # 提取出标题和链接信息    
  title = n.get_text()    
  link = n.get("href")    
  data = {'标题':title,'链接':link}    
  print(data)

对结果列表进行遍历，再从遍历的元素中提取出数据，get(“href”)表示获取属性名为“href”的属性值，get_text()表示获取标签的文本信息。

这样，一个简单的腾讯新闻爬虫就完成了，如果对requests模块和BeautifulSoup模块有更加深的学习欲望，可以查看它们的官方文档：
requests官方文档（中文）: http://docs.python-requests.org/zh_CN/latest/
BeautifulSoup文档（中文）:
https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

猜你也喜欢