Python: 爬虫入门

1.基本的爬虫工作原理

①）网络爬虫定义，又称Web Spider，网页蜘蛛，按照一定的规则，自动抓取网站信息的程序或者脚本。

       蜘蛛通过网页的链接地址来寻找网页，从网站某一个页面开始，读取网页的内容，找到网页中的其他链接地址，

       然后通过这些链接地址寻找下一个网页，直到把这个额昂展所有的网页都抓取完为止。

②）爬虫流程：

①urllib的request打开url带到网页的html文档

②浏览器打开网页源代码分析元素节点

③通过Beautiful Soup或者正则表达式提取想要的数据

④存储数据到本地磁盘或者数据库，进行数据分析

2.环境、工具安装

①Python 3.6.4（官网下载安装），环境变量配置

②基本的http抓取工具 scrapy (安装命令pip install scrapy）

③bs4 (安装命令：pip install scrapy)

 

3.爬虫脚本及注释（超简易）

①

  #urllib的request模块可以非常方便的抓取URL内容，也就是发送一个GET请求到指定的页面，然后返回HTTP的响应。

   from urllib import request        

②

          # BeautifulSoup是Python的一个库，最主要的功能是从网页爬取我们所需要的数据。

          # BeautifulSoup将html解析为对象进行处理，全部页面转变为字典或者数组，相对于正则表达式的方式，可以大大简化处理过程。

   from bs4 import BeautifulSoup   

③

   #构造头文件，模拟浏览器访问。

   url="http://www.jianshu.com"    #要爬的url

   headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}  

   page=request.Request(url,headers=headers)

   page_info=request.urlopen(page).read().decode('utf-8')        #打开url，获取HttpResponse返回对象并读取ResponseBody

④

   #将获取到response析成Beautiful soup格式，解析器为html.parser

   soup=BeautifulSoup(page_info,'html.parser')  

⑤  

    #查找所有a标签中class='title'的语句  

    titles=soup.find_all('a','title')      

⑥

   #open()是读写文件的函数,with语句会自动close()已打开文件

   with open(r"D:lgzarticles.txt","w")as file:   #在磁盘以只写的方式打开/创建一个名为 articles 的txt文件  
　　　for title in titles:
　　　　　file.write(title.string+' ')
　　　　　file.write("http://www.jianshu.com"+title.get('href')+'\n ')

4.爬虫结果