“ 阅读文本大概需要 3 分钟
前言
大家好，这里是「brucepk」python 爬虫课堂。此文首发于「brucepk」公众号，欢迎大家去关注。
俗话说，万事开头难，学习爬虫也是如此。我们知道，python 爬虫主要步骤无非就是：获取源码、从源码中提取需要的信息、保存数据这几个主要步骤。
俗话说，万事开头难，遭遇挫折时，我们往往会在踏出的第一步选择放弃。学习爬虫亦是如此，最容易放弃的在第一步：获取源码，因为获取源码方式有很多，不同方式针对不同的页面结构。你会了一种方式，感觉很简单，但是碰到另一种情况，套用这个方法行不通时，可能会让你望而却步。话不多说，今天就带你入门爬虫。
爬虫提取页面源代码主要有两种方法：requests 库 和 selenium 库。
下面分析这两种方式的适用场景和优缺点。
requests 库提取
requests 适合提取需要的元素信息直接保存在页面的源代码里面，可以直接用 requests.get(url).text 来提取页面源码。之前发的 100 行代码找出你中意的书 项目用的就是此方法。用此方法解析前后面必须带上 text 才行。
import requests
from bs4 import BeautifulSoup
url='https://mp.weixin.qq.com/s/HxHFE7jB3hU6gBZWeHB5xw'
html = requests.get(url)
soup = BeautifulSoup(html.text, 'lxml')
print(soup)
下面是输出结果的部分截图：
requests 库提取源代码优缺点
优点：提取页面快。
缺点：不适合提取元素不是加载在源代码的项目。
selenium 库提取
selenium 库适合提取我们需要的信息不在源代码里面的，昨天发的获取网易云音乐的项目 听歌慌？80 行代码帮你搞定！ 就是用的此方法。
我们通过 F12 代码调试元素里面可以看到我们需要提取的元素，但是在源代码里面找不到这些元素，这时只能用自动化测试库 selenium 库，通过操作浏览器的驱动来操作浏览器，所以前期工作需要把对应的驱动 driver 下载下来放在 python 3 安装的目录下。
注意：driver 的版本需要浏览器版本对应，比如我用的 Chrome 谷歌浏览器 67.0 版本，对应的 chromedriver 版本是 2.38，对应关系表和驱动下载链接可在后台回复 「谷歌驱动」 获取。
看下昨天爬虫爬取音乐的代码
from selenium import webdriver
from selenium.webdriver.support.ui import WebDriverWait
browser = webdriver.Chrome()
wait = WebDriverWait(browser,5) #设置等待时间
#返回歌手名字和歌手id
def get_singer(url):
browser.get(url)
browser.switch_to.frame('g_iframe')
html = browser.page_source
soup=BeautifulSoup(html,'lxml')
selenium 库提取源代码优缺点
优点：用 selenium 自动化库模拟人工操作浏览器，不用设置代理 ip 和 headers 去做反爬虫处理，可以直接提取页面元素里的信息。
缺点：模拟人工操作浏览器，受到网络影响，爬虫速度没有 requests 库提取快。
用 selenium 库处理时还有一个坑需要注意，需要提取的页面元素不在主框架frame 里面，而是在其中的一个子框架 iframe 里面，需要找到这个子框架的 id，并切换到这个子框架后才提取页面。怎么找到这个子框架呢？教大家一个笨方法，在元素区域搜索 iframe，点到搜索到的 iframe，如果阴影区域包括你需要提取的元素，那就是这个 iframe，提取它的 id 即可。
找到子框架的 id 后，用 swith_to.frame("") 切换到此框架。
推荐阅读
本公众号专注：
1.python 技术分享
2.python 爬虫分享
3.资料、工具共享
欢迎关注我们，一起成长！
我建一个技术交流群，群里有大佬，可以进群一起讨论学习，共同进步。进群方式见公众号联系方式处。
群里我用 python 写了个微信机器人，欢迎体验！