Python3 基础爬虫简介

python3 基础爬虫入门心得

第一次写博客，有点紧张，不喜勿喷。
如果有不足之处，希望读者指出，本人一定改正。

学习爬虫之前你需要了解（个人建议，铁头娃可以无视）：
- **少许网页制作知识,起码要明白什么标签...**
- **相关语言基础知识。比如用java做爬虫起码会用Java语言，用python做爬虫起码要会用python语言...**
- **一些网络相关知识。比如TCP/IP、cookie之类的知识，明白网页打开的原理。**
- **国家法律。知道哪些能爬，哪些不能爬，别瞎爬。**

如标题，本文中所有代码使用python3.6.X。

首先，你需要安装（pip3 install xxxx 一下就OK了）

1. requests 模块

2. BeautifulSoup 模块（或lxml 模块）

这两个库功能十分强大，requests用于发送网页请求和打开网页，beautifulsoup和lxml则用于解析内容，提取你想要的东西。BeautifulSoup偏向于正则表达式，lxml则偏向于XPath。因为本人用beautifulsoup库比较习惯，这篇文章主要应用beautifulsoup库，lxml不做过多赘诉。（用之前建议先看文档）

爬虫的主要结构：

• 管理器：管理你要爬取的地址。

• 下载器：把网页信息下载下来。

• 筛选器：从下载到的网页信息中筛选出你所需要的内容。

• 储存器：把下载到的东西存你想存的地方。（根据实际情况，可有可无。）

在我所接触到的所有的网络爬虫基本都逃不出这个结构，大到sracpy小到urllib。这个结构知道就行，不用死记，知道它的好处就是在写的时候起码能知道自己在写什么，出BUG的时候知道在哪动手DEBUG。

前面废话有点多….正文如下：

本文以爬取https://baike.baidu.com/item/Python（python的百度词条为例）：

(因为截图太麻烦..这将是本文唯一一张图)

想要爬取python的词条内容，首先，你要知道你所要爬取的网址：

url = 'https://baike.baidu.com/item/Python'

因为只需要爬这一页，管理器OK。

 html = request.urlopen(url)

调用一下urlopen()函数，下载器OK

    Soup = BeautifulSoup(html,"html.parser")
    baike = Soup.find_all("p",class_='lemma-summary')

利用Beautifulsoup库里的beautifulsoup函数合find_all函数，解析器OK
在这里说一句,find_all函数的返回值是一个列表。所以输出时要循环打印。

由于本例不需要保存，直接打印就行，所以：

for content in baike:    
print (content.get_text())

get_text()的作用是提取出标签里的文本。

把上面的代码整理一下：

import requestsfrom bs4 import BeautifulSoupfrom urllib import requestimport reif __name__ == '__main__':
    url = 'https://baike.baidu.com/item/Python'
    html = request.urlopen(url)
    Soup = BeautifulSoup(html,"html.parser")
    baike = Soup.find_all("p",class_='lemma-summary')    for content in baike:        print (content.get_text())

百度百科的词条就出来了。
类似的方法也能爬一些小说、图片、头条之类的，绝不仅限于词条。
如果关掉这篇文章你也能写出这个程序，那恭喜你，入门了。记住，千万别背代码。

骤都省略了…整个程序有点粗糙…见谅啊….溜了溜了(￣ー￣)……

Atas ialah kandungan terperinci Python3 基础爬虫简介. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!