5分钟上手Python爬虫：从干饭开始，轻松掌握技巧

米高扬

很多人都听说过爬虫，我也不例外。曾看到别人编写的爬虫代码，虽然没有深入研究，但感觉非常强大。因此，今天我决定从零开始，花费仅5分钟学习入门爬虫技术，以后只需轻轻一爬就能查看所有感兴趣的网站内容。广告？不存在的，因为我看不见。爬虫只会获取我感兴趣的信息，不需要的内容对我而言只是一堆代码。我们不在乎网站的界面，爬取完数据后只会关注最核心的内容。
在这个过程中，技术方面实际上没有太多复杂的内容，实际上就是一项耐心细致的工作。因此才会有那么多人选择从事爬虫兼职工作，因为虽然耗时较长，但技术要求并不是很高。今天学完之后，你就不会像我一样认为爬虫很困难了。或许在未来你会需要考虑如何保持会话（session）或者绕过验证等问题，因为网站越难爬取，说明对方并不希望被爬取。实际上，这部分内容是最具挑战性的，有机会的话我们可以在以后的学习中深入讨论。
今天我们以选择菜谱为案例，来解决我们在吃饭时所面临的“吃什么”的生活难题。
爬虫解析

爬虫的工作原理类似于模拟用户在浏览网站时的操作：首先访问官方网站，检查是否有需要点击的链接，若有，则继续点击查看。当直接发现所需的图片或文字时，即可进行下载或复制。这种爬虫的基本架构如图所示，希望这样的描述能帮助你更好地理解。

爬网页HTML

在进行爬虫工作时，我们通常从第一步开始，即发送一个HTTP请求以获取返回的数据。在我们的工作中，通常会请求一个链接以获取JSON格式的信息，以便进行业务处理。然而，爬虫的工作方式略有不同，因为我们需要首先获取网页内容，因此这一步通常返回的是HTML页面。在Python中，有许多请求库可供选择，我只举一个例子作为参考，但你可以根据实际需求选择其他第三方库，只要能够完成任务即可。
在开始爬虫工作之前，首先需要安装所需的第三方库依赖。这部分很简单，只需根据需要安装相应的库即可，没有太多复杂的步骤。
让我们不多废话，直接看下面的代码示例：

1. from urllib.request import urlopen,Request
2. headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0'}
3. req = Request("https://www.meishij.net/?from=space_block",headers=headers)
4. # 发出请求，获取html
5. # 获取的html内容是字节，将其转化为字符串
6. html = urlopen(req)
7. html_text = bytes.decode(html.read())
8. print(html_text)

复制代码

通常情况下，我们可以获取这个菜谱网页的完整内容，就像我们在浏览器中按下F12查看的网页源代码一样。
解析元素

最笨的方法是使用字符串解析，但由于Python有许多第三方库可以解决这个问题，因此我们可以使用BeautifulSoup来解析HTML。其他更多的解析方法就不一一介绍了，我们需要用到什么就去搜索即可，不需要经常使用的也没必要死记硬背。
热搜菜谱

在这里，让我们对热门搜索中的菜谱进行解析和分析。

1. from urllib.request import urlopen,Request
2. from bs4 import BeautifulSoup as bf
3. headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0'}
4. req = Request("https://www.meishij.net/?from=space_block",headers=headers)
5. # 发出请求，获取html
6. # 获取的html内容是字节，将其转化为字符串
7. html = urlopen(req)
8. html_text = bytes.decode(html.read())
9. # print(html_text)
10. # 用BeautifulSoup解析html
11. obj = bf(html_text,'html.parser')
12. # print(html_text)
13. # 使用find_all函数获取所有图片的信息
14. index_hotlist = obj.find_all('a',class_='sancan_item')
15. # 分别打印每个图片的信息
16. for ul in index_hotlist:
17.     for li in ul.find_all('strong',class_='title'):
18.         print(li.get_text())

复制代码

主要步骤是，首先在上一步中打印出HTML页面，然后通过肉眼观察确定所需内容位于哪个元素下，接着利用BeautifulSoup定位该元素并提取出所需信息。在我的情况下，我提取的是文字内容，因此成功提取了所有li列表元素。
随机干饭

在生活中，实际上干饭并不复杂，难点在于选择吃什么。因此，我们可以将所有菜谱解析并存储在一个列表中，然后让程序随机选择菜谱。这样，就能更轻松地解决每顿饭吃什么的难题了。
随机选取一道菜时，可以使用以下示例代码：

1. from urllib.request import urlopen,Request
2. from bs4 import BeautifulSoup as bf
3. for i in range(3):
4.     url = f"https://www.meishij.net/chufang/diy/jiangchangcaipu/?&page={i}"
5.     html = urlopen(url)
6.     # 获取的html内容是字节，将其转化为字符串
7.     html_text = bytes.decode(html.read())
8.     # print(html_text)
9.     obj = bf(html_text,'html.parser')
10.     index_hotlist = obj.find_all('img')
11.     for p in index_hotlist:
12.         if p.get('alt'):
13.             print(p.get('alt'))

复制代码

这里我们在这个网站上找到了新的链接地址，我已经获取了前三页的数据，并进行了随机选择，你可以选择全部获取。
菜谱教程

其实上一步已经完成了，接下来只需下单外卖了。外卖种类繁多，但对于像我这样的顾家奶爸来说并不合适，因此我必须自己动手做饭。这时候教程就显得尤为重要了。
我们现在继续深入解析教程内容：

1. from urllib.request import urlopen,Request
2. import urllib,string
3. from bs4 import BeautifulSoup as bf
5. url = f"https://so.meishij.net/index.php?q=红烧排骨"
6. url = urllib.parse.quote(url, safe=string.printable)
7. html = urlopen(url)
8. # 获取的html内容是字节，将其转化为字符串
9. html_text = bytes.decode(html.read())
10. obj = bf(html_text,'html.parser')
11. index_hotlist = obj.find_all('a',class_='img')
12. # 分别打印每个图片的信息
13. url = index_hotlist[0].get('href')
14. html = urlopen(url)
15. html_text = bytes.decode(html.read())
16. obj = bf(html_text,'html.parser')
17. index_hotlist = obj.find_all('div',class_='step_content')
18. for div in index_hotlist:
19.     for p in div.find_all('p'):
20.         print(p.get_text())

复制代码

包装一下

上面提到的方法已经满足了我们的需求，但是重复手动执行每个步骤并不是一个高效的方式。因此，我将这些步骤封装成一个简单的应用程序。这个应用程序使用控制台作为用户界面，不需要依赖任何第三方库。让我们一起来看一下这个应用程序吧：
[code]# 导入urllib库的urlopen函数from urllib.request import urlopen,Requestimport urllib,string# 导入BeautifulSoupfrom bs4 import BeautifulSoup as bffrom random import choice,samplefrom colorama import initfrom os import systemfrom termcolor import coloredfrom readchar import  readkeyFGS = ['green', 'yellow', 'blue', 'cyan', 'magenta', 'red']print(colored('搜索食谱中.....',choice(FGS)))headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/122.0.0.0 Safari/537.36 Edg/122.0.0.0'}req = Request("https://www.meishij.net/?from=space_block",headers=headers)# 发出请求，获取html# 获取的html内容是字节，将其转化为字符串html = urlopen(req)html_text = bytes.decode(html.read())hot_list = []all_food = []food_page = 3# '\n'.join(pos(y, OFFSET[1]) + ' '.join(color(i) for i in l)def draw_menu(menu_list):    clear()    for idx,i in enumerate(menu_list):        print(colored(f'{idx}:{i}',choice(FGS)))    print(colored('8:随机选择',choice(FGS)))def draw_word(word_list):    clear()    for i in word_list:        print(colored(i,choice(FGS)))def clear():    system("CLS")def hot_list_func() :    global html_text    # 用BeautifulSoup解析html    obj = bf(html_text,'html.parser')    # print(html_text)    # 使用find_all函数获取所有图片的信息    index_hotlist = obj.find_all('a',class_='sancan_item')    # 分别打印每个图片的信息    for ul in index_hotlist:        for li in ul.find_all('strong',class_='title'):            hot_list.append(li.get_text())            # print(li.get_text())def search_food_detail(food) :    print('正在搜索详细教程，请稍等30秒左右！')    url = f"https://so.meishij.net/index.php?q={food}"    # print(url)    url = urllib.parse.quote(url, safe=string.printable)    html = urlopen(url)    # 获取的html内容是字节，将其转化为字符串    html_text = bytes.decode(html.read())    obj = bf(html_text,'html.parser')    index_hotlist = obj.find_all('a',class_='img')    # 分别打印每个图片的信息    url = index_hotlist[0].get('href')    # print(url)    html = urlopen(url)    html_text = bytes.decode(html.read())    # print(html_text)    obj = bf(html_text,'html.parser')    random_color = choice(FGS)    print(colored(f"{food}做法：",random_color))    index_hotlist = obj.find_all('div',class_='step_content')    # print(index_hotlist)    random_color = choice(FGS)    for div in index_hotlist:        for p in div.find_all('p'):            print(colored(p.get_text(),random_color))def get_random_food():    global food_page    if not all_food :        for i in range(food_page):            url = f"https://www.meishij.net/chufang/diy/jiangchangcaipu/?&page={i}"            html = urlopen(url)            # 获取的html内容是字节，将其转化为字符串            html_text = bytes.decode(html.read())            # print(html_text)            obj = bf(html_text,'html.parser')            index_hotlist = obj.find_all('img')            for p in index_hotlist:                if p.get('alt'):                    all_food.append(p.get('alt'))    my_food = choice(all_food)    print(colored(f'随机选择，今天吃：{my_food}',choice(FGS)))    return my_foodinit() ## 命令行输出彩色文字hot_list_func()print(colored('已搜索完毕！',choice(FGS)))my_array = list(range(0, 9))my_key = ['q','c','d','m']my_key.extend(my_array)print(colored('m:代表今日菜谱',choice(FGS)))print(colored('c:代表清空控制台',choice(FGS)))print(colored('d:代表菜谱教程',choice(FGS)))print(colored('q:退出菜谱',choice(FGS)))print(colored('0~8:选择菜谱中的菜',choice(FGS)))while True:    while True:        move = readkey()        if move in my_key or (move.isdigit() and int(move)