最近在学习网络爬虫，完成了一个比较简单的python网络爬虫。首先为什么要用爬虫爬取信息呢，当然是因为要比人去收集更高效。
网络爬虫，可以理解为自动帮你在网络上收集数据的机器人。
网络爬虫简单可以大致分三个步骤：
第一步要获取数据，
第二步对数据进行处理，
第三步要储存数据。
获取数据的时候这里我用到了python的urllib标准库，它是python中非常方便抓取网页内容的一个模块。
具体为：
这里我要爬取的是电影天堂一个电影页面的电影名称，日期等数据。
1 from urllib import request 2 def get_data ( ): 3 url='http://www.dytt8.net/html/gndy/dyzz/list_23_1.html' 4 headers={'User-Agent': ' Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36' } 5 req=request.Request(url, headers=headers) 6 response=request.urlopen(req) 7 # print (type(response)) #响应对象的类型 8 # print(response.getcode()) #响应状态码 9 # print(response.info()) 10 if response.getcode() == 200: 11 data=response.read()#读取响应的结果 12 data =str(data,encoding='gb2312') 13 #print(data) 14 #将数据写入文件中 15 with open ('index.html',mode='w',encoding='gb2312') as f: 16 f.write(data)
这里的headers是一个参数，就是你的浏览器在访问服务器的时候，会让服务器知道你的浏览器的一些信息，还有操作系统等信息。if 函数来判断当网站成功响应的时候，会返回一个200.这时候读取响应的数据结果，就是网页的代码。这里我做了一个字符串转化处理，根据网页代码显示编码为gb2312，所以这时候只要将encoding设置为gb2312就可以了。
1 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> 2 3 <html xmlns="http://www.w3.org/1999/xhtml"> 4 5 <head> 6 7 <META http-equiv=Content-Type content="text/html; charset=gb2312">
根据上面的网页代码，charset为gb2312判断的。
当我们存取了网页数据后，发现它还是html格式的，而且有很多html，css的代码，但是我们只想要其中的文字信息，这时候怎么办呢。
这时候就要用到一个强大的数据处理模块，beautifusoup4，俗称美味汤。安装好这个模块后。我们就可以对我们的html文件做进一步的处理，提取我们需要的信息。
1 from urllib import request 2 from bs4 import BeautifulSoup 3 def get_data ( ): 4 url='http://www.dytt8.net/html/gndy/dyzz/list_23_1.html' 5 headers={'User-Agent': ' Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36' } 6 req=request.Request(url, headers=headers) 7 response=request.urlopen(req) 8 # print (type(response)) #响应对象的类型 9 # print(response.getcode()) #响应状态码 10 # print(response.info()) 11 if response.getcode() == 200: 12 data=response.read()#读取响应的结果 13 data =str(data,encoding='gb2312') 14 #print(data) 15 #将数据写入文件中 16 with open ('index.html',mode='w',encoding='gb2312') as f: 17 f.write(data) 18 def parse_data(): 19 with open ('index.html',mode='r',encoding='gb2312') as f: 20 html = f.read() 21 bs = BeautifulSoup(html,'html.parser') 22 metas = bs.select("[class~=ulink]") 23 date = bs.select("[color=#8F8C89]") 24 i=0 25 while i < 25: 26 print(metas[i].get_text()) 27 print(date[i].get_text()) 28 i=i+1 29 30 31 32 33 if __name__ == '__main__': 34 #get_data() 35 parse_data()
这里我们用到了美味汤中的CSS选择器功能，就是只把我们想要的信息选择处来，根据网页代码，发现class等于ulink的时候后面跟着的信息是我们需要的。还有color=#8F8C89也是我们需要的。使用select方法，将选中的信息筛选出来。最终结果：
点击0是因为网站显示就是0，估计是网站的问题。这样我们就得到了电影信息以及发布的时间信息。后面还有很多。根据这次简单爬虫的实现，我发现web爬虫除了你要懂python的知识之外，对于html，CSS等前端知识你也要有一定了解。爬虫是模拟人去收集网站数据的，有些网站以及建立了反爬虫技术。所以爬虫的技术也在不断更新。