Python-使用精美汤进行网页抓取

Question

我目前正在尝试使用Beautiful Soup重现网络抓取示例。 但是，我不得不说我觉得这很不直观，这当然也可能是由于缺乏经验。 如果有人可以帮我举一个例子，我将不胜感激。 我在网上找不到很多相关信息。 我想提取以下网站的第一个值（Dornum）： http : //flow.gassco.no/

我只有这么远：

import requests

page = requests.get("http://flow.gassco.no/")

from bs4 import BeautifulSoup
soup = BeautifulSoup(page, 'html.parser')

先感谢您！

Answer 1

您需要先学习如何使用urllib ， urllib2 。

一些网站屏蔽蜘蛛。

就像是：

urllib2.request.add_header('User-Agent','Mozilla/5.0 (Linux; Android 4.4.2; Nexus 4 Build/KOT49H) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.114 Mobile Safari/537.36')

让网站认为您是浏览器，而不是机器人。

Answer 2

另一种方法是使用当前requests模块。 您可以像这样传递user-agent ：

import requests
from bs4 import BeautifulSoup

headers = {
    'User-Agent': 'Mozilla/5.0 (Linux; Android 4.4.2; Nexus 4 Build/KOT49H) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/34.0.1847.114 Mobile Safari/537.36'
}

page = requests.get("http://flow.gassco.no/", headers=headers)

soup = BeautifulSoup(page.text, 'html.parser')

编辑 ：要使此版本简单易用，您可以对浏览器会话进行变通。 您需要传递requests.get一个cookie ，该cookie告诉站点一个会话号，其中条款和条件已被接受。

运行此代码：

import requests
from bs4 import BeautifulSoup

url = "http://flow.gassco.no"
s = requests.Session()
r = s.get(url)
action = BeautifulSoup(r.content, 'html.parser').find('form').get('action') #this gives a "tail" of url whick indicates acceptance of Terms
s.get(url+action)
page = s.get(url).content
soup = BeautifulSoup(page, 'html.parser')