如何用Python爬取本地网页

一、写出一个简单的静态网页，下面是我随便写的一个

网页源代码如下


<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>大阿瓦达</title>
    <Link rel="stylesheet" type="text/css" href="main.css">
</head>
<body>
<div class="header">
<body background="image/2.png" style=" background-repeat:no-repeat ;

background-size:100% 100%;

background-attachment: fixed;"></body>
 </div>
>
    <ul class="nav">
        <li><a href="#">Home</a></li>
        <li><a href="#">Site</a></li>
        <li><a href="#">Other</a></li>
    </ul>
</div>
    <div class="main-content">
    <h2>Aritcle</h2>
        <ul class="article">
            <li>
                <img src="image/3.jpg" width="100" height="=90">
                <h3>The bath</h3>
                <p>Say sonmething</p>
            </li>
            <li><img src="image/4.png" width="100" height="=90">
                <h3>The bath</h3>
                <p>Say sonmething</p>
            </li>
        </ul>
    </div>
    <div class="footer">
        <center><p>&copy;mydadadaw</p> </center>
    </div>

</body>
</html>

由于是静态网页，我用的是绝对路径，我就直接存放在桌面的目录里： C:\Users\伟\Desktop\网页作业\另一个网页作业\11.html

二、解析网页

第一步：使用BeautifulSoup 解析网页（这个库是python自带的）

Soup = BeautigulSoup(html,’lxml’)

(PS：lxml为解析网页所需要的库，在python中这个库是没有的，所以我们需要进入cmd 进行自主安装“pip install lxml”，这里我会在后面在介绍另外四种解析网页库，分别是：”html parser”,”lxml HTML”, ”lxml xml”, ”html 51ib”)

第二步：扫描抓取的东西在哪

资源 = Soup.select(‘???’)

第三步：从标签中获得你要的information（信息）

           ~~<p>~~Something~~</p>~~ （网页的段落标签）

                                             tittle = Something

                                             rate = 4.0

BeautifulSoup => CSS Select：

一个网页的基本结构

Xpath与CSS解析网页的比较

Xpath：谁，在哪，哪几个（之后再讲）

CSS Select：谁在哪，第几个，长什么样（我们接下来的爬虫就主要用copy selector找我们需要的内容）

三、写Python代码来爬取我们写的网页

这四行代码就可以实现我们网页的爬取

from bs4 import BeautifulSoup
with open('/Users/伟/Desktop/网页作业/另一个网页作业/11.html','r') as wb_data:
    Soup = BeautifulSoup(wb_data,'lxml')
    print(Soup)
'''
这里 第行的语句的意思是打开我们这个目录下的这个网页文件，r代表只读
'''

这样就把我们整个网页的数据抓取过来了，但是结果并不是我们想要的

我们要将爬取的网页进行分析

还是点开我们写的网页，抓取我们需要的图片

找到图片img这一行，然后右键，copy，找到，copy selector

body > div.main-content > ul > li:nth-child(1) > img，这就是我们所需要抓取的图片的代码

    images = Soup.select('body > div.main-content > ul > li:nth-child(1) > img')

放进pycharm（Python编辑器）中进行抓取

后面再打印我们所抓取的图片信息

    print(images)

但我们放进python中，它会报错，因为我们没有按照他的格式进行

因此，我们要将代码

红色的部分删除，就可以得到这一类图片的信息

这里和我们加上的两个图片完全一致

然后我们在抓取我们需要的其他信息，附上全部代码

from bs4 import BeautifulSoup

with open('/Users/伟/Desktop/网页作业/另一个网页作业/11.html','r') as wb_data:
    Soup = BeautifulSoup(wb_data,'lxml')
    images = Soup.select('body > div.main-content > ul > li > img')
    p = Soup.select('body > div.main-content > ul > li > p')
    tittle = Soup.select('body > div.main-content > ul > li > h3')
    print(images,p,tittle,sep='\n-----\n')

这就是我们抓取到的信息

[<img height="=90" src="image/3.jpg" width="100"/>, <img height="=90" src="image/4.png" width="100"/>]
-----
[<p>Say sonmething</p>, <p>Say sonmething</p>]
-----
[<h3>The bath</h3>, <h3>The bath</h3>]

虽然，这里抓取到的东西还是会有网页的代码，所以我们要对内容进行筛选

在代码中加上判断结构即可得到我们所需要的内容

如有补充，我会在后续加上

Pyhon网络爬虫学习笔记—抓取本地网页（一）