python爬虫之异常捕获及标签过滤详解

增加异常捕获，更容易现问题的解决方向

import ssl
import urllib.request
from bs4 import BeautifulSoup
from urllib.error import HTTPError, URLError

def get_data(url):
   headers = {"user-agent":
                  "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/90.0.4430.93 Safari/537.36"
              }
   ssl._create_default_https_context = ssl._create_unverified_context

"""
   urlopen处增加两个异常捕获：
           1、如果页面出现错误或者服务器不存在时，会抛HTTP错误代码
           2、如果url写错了或者是链接打不开时，会抛URLError错误
   """
   try:
       url_obj = urllib.request.Request(url, headers=headers)
       response = urllib.request.urlopen(url_obj)
       html = response.read().decode('utf8')
   except (HTTPError, URLError)as e:
       raise e

"""
   BeautifulSoup处增加异常捕获是因为BeautifulSoup对象中有时候标签实际不存在时，会返回None值；
   因为不知道，所以调用了就会导致抛出AttributeError: 'NoneType' object has no xxxxxxx。
   """
   try:
       bs = BeautifulSoup(html, "html.parser")
       results = bs.body
   except AttributeError as e:
       return None

return results

if __name__ == '__main__':
   print(get_data("https://movie.douban.com/chart"))

解析html，更好的实现数据展示效果

• get_text()：获取文本信息

# 此处代码同上面打开url代码一致，故此处省略......

html = response.read().decode('utf8')
bs = BeautifulSoup(html, "html.parser")
data = bs.find('span', {'class': 'pl'})
print(f'电影评价数：{data}')
print(f'电影评价数：{data.get_text()}')

运行后的结果显示如下：

电影评价数：<span class="pl">(38054人评价)</span>
电影评价数：(38054人评价)

• find() 方法是过滤HTML标签，查找需要的单个标签

实际find方法封装是调用了正则find_all方法，把find_all中的limt参数传1，获取单个标签

1.name：可直接理解为标签元素

2.attrs：字典格式，放属性和属性值 {"class": "indent"}

3.recursive：递归参数，布尔值，为真时递归查询子标签

4.text：标签的文本内容匹配 , 是标签的文本，标签的文本

• find_all() 方法是过滤HTML标签，查找需要的标签组

使用方法适合find一样的，无非就是多了个limit参数（筛选数据)

必须注意的小知识点：

#   下面两种写法，实际是一样的功能，都是查询id为text的属性值
bs.find_all(id="text")
bs.find_all(' ', {"id": "text"})

#   如果是class的就不能class="x x x"了，因为class是python中类的关键字
bs.find_all(class_="text")
bs.find_all(' ', {"class": "text"})

来源：https://blog.csdn.net/LIFENG0402/article/details/116754853