网络爬虫——从网站中提取有用的数据

本章我们将学习网络爬虫，其中包括学习Python中的BeautifulSoup库，它用于从网站中提取数据。

本章包含以下主题。

• 什么是网络爬虫。
• 数据提取。
• 从维基百科网站提取信息。

1　什么是网络爬虫

网络爬虫是指从网站提取数据的技术，该技术可以将非结构化数据转换为结构化数据。

网络爬虫的用途是从网站提取数据，提取的数据可以存储到本地文件并保存在系统中，也可以将其以表格的形式存储到数据库中。网络爬虫使用HTTP或Web浏览器直接访问万维网（WWW）。网络爬虫或机器人抓取网页的过程是一个自动化流程。

抓取网页的过程分为获取网页、提取数据。Web抓取程序可以获取网页，它是网络爬虫的必需组件。在获取网页后，就需要提取网页数据了。我们可以搜索、解析，并将提取的数据保存到表格中，然后重新整理格式。

2　数据提取

本节我们学习数据提取。我们可以使用Python的BeautifulSoup库进行数据提取。这里还需要用到Python库的Requests模块。

运行以下命令以安装Requests和BeautifulSoup库。

$ pip3 install requests
$ pip3 install beautifulsoup4

2.1　Requests库

使用Requests库可以易懂的格式在Python脚本中使用HTTP，这里使用Python中的Requests库获取网页。Requests库包含不同类型的请求，这里使用GET请求。GET请求用于从Web服务器获取信息，使用GET请求可以获取指定网页的HTML内容。每个请求都对应一个状态码，状态码从服务器返回，这些状态码为我们提供了对应请求执行结果的相关信息。以下是部分状态码。

• 200：表示一切正常并返回结果（如果有）。
• 301：表示如果服务器已切换域名或必须更改端点名称，则服务器将重定向到其他端点。
• 400：表示用户发出了错误请求。
• 401：表示用户未通过身份验证。
• 403：表示用户正在尝试访问禁用的资源。
• 404：表示用户尝试访问的资源在服务器上不可用。

2.2　BeautifulSoup库

BeautifulSoup也是一个Python库，它包含简单的搜索、导航和修改方法。它只是一个工具包，用于从网页中提取所需的数据。

要在脚本中使用Requests和BeautifulSoup模块，必须使用import语句导入这两个模块。现在我们来看一个解析网页的示例程序，这里将解析一个来自百度网站的新闻网页。创建一个脚本，命名为parse_web_page.py，并在其中写入以下代码。

import requests
from bs4 import BeautifulSoup

page_result = requests.get('https://www.news.baidu.com')
parse_obj = BeautifulSoup(page_result.content, 'html.parser')

print(parse_obj)

运行脚本程序，如下所示。

student@ubuntu:~/work$ python3 parse_web_page.py
Output: