【Python爬虫】用CSS 选择器提取网页数据

ゝ一世哀愁。 2023-02-26 09:23 39阅读 0赞

使用 pip 安装 requests\_html 库

pip install requests_html

根据你的网络情况，通常需要几分钟时间。

在你的电脑任意位置，新建一个 crawler.py 文件。输入并执行以下 4 行代码：

from requests_html import HTMLSession
    session = HTMLSession()
    r = session.get('https://movie.douban.com/subject/1292052/')
    print(r.text)

运行

你将会看到如下输出：

<!DOCTYPE html>
    <html lang="zh-cmn-Hans" class="ua-mac ua-webkit">
    <head>
        <meta http-equiv="Content-Type" content="text/html; charset=utf-8">
        <meta name="renderer" content="webkit">
        <meta name="referrer" content="always">
        <meta name="google-site-verification" content="" />
        <title>
            肖申克的救赎 (豆瓣)
    </title>
    
    ... 以下省略 3000 行

### **提取网页中所需内容** ###

你将使用强大的 **CSS 选择器** 来提取网页中有价值的信息。

CSS 选择器可以从结构化的网页中选择一个特定的元素。

大多数浏览器都提供了获得页面上特定元素 CSS 选择器的功能。

先查看一段内容的代码，在代码上点击右键，选择 Copy -> Copy Selector (或者 Copy CSS Selector、复制 CSS 选择器），就能将这段内容对应的 CSS 选择器复制到剪贴板。

![aHR0cHM6Ly9weXRob24xMjMuaW8vdHV0b3JpYWxzL3dlYl9jcmF3bGVyL3N0YXRpYy9pbWcvY29weS1zZWxlY3Rvci41Y2E2NDE5LmdpZg][]

现在你需要访问 [这个][Link 1] 页面。按照上面的介绍，把电影名称对应的选择器复制上

回到之前创建的 crawler.py 文件，使用 Python 和 CSS 选择器来提取网页内容。

from requests_html import HTMLSession
    session = HTMLSession()
    r = session.get('https://movie.douban.com/subject/1292052/')
    title = r.html.find('用你的选择器替换这里的内容', first=True)
    # r.html.find() 接受一个 CSS 选择器（字符串形式）作为参数
    # 返回在网页中使用该选择器选中的内容。
    
    print(title.text）

运行看看，你是否把电影名称从网页中提取出来了呢？如果成功了，试试提取其它你感兴趣的内容吧！

![format_png][]

[aHR0cHM6Ly9weXRob24xMjMuaW8vdHV0b3JpYWxzL3dlYl9jcmF3bGVyL3N0YXRpYy9pbWcvY29weS1zZWxlY3Rvci41Y2E2NDE5LmdpZg]: /images/20230209/44076903d74349d8ba93cc13ade5c363.png
[Link 1]: https://movie.douban.com/subject/1292052/
[format_png]: /images/20230209/608895e94ce44f1f813e1f05497d0938.png