requests库的用法：

requests是python实现的简单易用的HTTP库

因为是第三方库，所以使用前需要cmd安装

pip ×××tall requests

安装完成后import一下，正常则说明可以开始使用了

基本用法：

import requests

form bs4 import BeautifulSoupresponse = requests.get('')print(response.status_code) # 打印状态码print(response.url) # 打印请求urlprint(response.headers) # 打印头信息print(response.cookies) # 打印cookie信息print(response.text) #以文本形式打印网页源码print(response.content) #以字节流形式打印

#!/usr/bin/env python

encoding=utf-8

from future import print_function

import requestsfrom bs4 import BeautifulSoupimport pymongoimport json

db = pymongo.MongoClient().iaaf

def spider_iaaf():

url 100 换成longjump的

# url = 'https://www.iaaf.org/records/toplists/sprints/100-metres/outdoor/men/senior/2018?page={}'url = 'https://www.iaaf.org/records/toplists/jumps/long-jump/outdoor/men/senior/2018?regionType=world&windReading=regular&page={}&bestResultsOnly=true'headers = {    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_14) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/12.0 Safari/605.1.15', }for i in range(1,23):    res = requests.get(url.format(i), headers=headers)    html = res.text    print(i)    soup = BeautifulSoup(html, 'html.parser')    #tbody_l = soup.find_all('tbody')    record_table = soup.find_all('table', class_='records-table')    list_re = record_table[2]    tr_l = list_re.find_all('tr')    for i in tr_l:    # 针对每一个tr  也就是一行        td_l = i.find_all('td')    # td的列表 第三项是 带href        # 只要把td_l里面的每一项赋值就好了  组成json数据  {}  插入到mongo        # 再从mongo里面取href  访问  得到 生涯数据  再存回这个表        # 再 把所有数据 存到 excel        j_data = {}        try:            j_data['Rank'] = td_l[0].get_text().strip()            j_data['Mark'] = td_l[1].get_text().strip()            j_data['WIND'] = td_l[2].get_text().strip()            j_data['Competitior'] = td_l[3].get_text().strip()            j_data['DOB'] = td_l[4].get_text().strip()            j_data['Nat'] = td_l[5].get_text().strip()            j_data['Pos'] = td_l[6].get_text().strip()            j_data['Venue'] = td_l[8].get_text().strip()            j_data['Date'] = td_l[9].get_text().strip()            j_data['href'] = td_l[3].find('a')['href']        except:            pass        db.athletes.×××ert_one(j_data)

if name == 'main':

spider_iaaf()

bs4的用法：

BeautifulSoup，就是一个第三方的库，使用之前需要安装

pip ×××tall bs4

配置方法：

（1）cd ~（2）mkdir .pip（3）vi ~/.pip/pip.conf（4）编辑内容和windows的内容一模一样

bs4是什麽？

它的作用是能够快速方便简单的提取网页中指定的内容，给我一个网页字符串，然后使用它的接口将网页字符串生成一个对象，然后通过这个对象的方法来提取数据

bs4语法学习

通过本地文件进行学习，通过网络进行写代码

（1）根据标签名进行获取节点只能找到第一个符合要求的节点（2）获取文本内容和属性属性

soup.a.attrs 返回一字典，里面是所有属性和值

soup.a['href'] 获取href属性

文本

soup.a.string

soup.a.textsoup.a.get_text()【注】当标签里面还有标签的时候，string获取的为None，其他两个获取纯文本内容

（3）find方法

soup.find('a')

soup.find('a', class_='xxx')soup.find('a', title='xxx')soup.find('a', id='xxx')soup.find('a', id=re.compile(r'xxx'))【注】find只能找到符合要求的第一个标签，他返回的是一个对象

（4）find_all

返回一个列表，列表里面是所有的符合要求的对象

soup.find_all('a')soup.findall('a', class='wang')soup.find_all('a', id=re.compile(r'xxx'))soup.find_all('a', limit=2) 提取出前两个符合要求的a