你是如何开始能写 Python 爬虫？

最新推荐文章于 2024-11-15 10:17:44 发布

@Python大数据分析

最新推荐文章于 2024-11-15 10:17:44 发布

阅读量1.6k

点赞数 52

文章标签： python 爬虫开发语言

本文链接：https://blog.csdn.net/Pydatas/article/details/140312542

版权

爬虫几乎已经成为python学习大军中最为庞大的一支，没有之一。

我非常赞同以爬虫的目的来学习python，或者用python来实现爬虫。

可是，为什么学了python之后，依旧写不了爬虫呢？

最主要的原因，你没有理解python爬虫的套路！

没有案例的回答都是骗流量，这一次就来爬一爬本提问的一些信息：

什么是爬虫的套路？

爬虫通俗来说就是抓取网页数据，比如说大家都喜欢的妹子图、小视频呀，还有电子书、文字评论、商品详情等等。

只要网页上有的，都可以通过爬虫爬取下来。

一般而言，python爬虫需要以下几步：

找到需要爬取内容的网页URL
打开该网页的检查页面（即查看HTML代码，按F12快捷键即可进入）
在HTML代码中找到你要提取的数据
写python代码进行网页请求、解析
存储数据

在默认你已经有python基础的前提下，来说一说如何写代码进行网页请求、解析。

网页请求意思是把网页的HTML源码下载下来，以知乎首页为例，一般长这样：

网页的信息包含在源码里，比如图中的标题“首页-知乎”。

好了，接下来我们一步步按照套路把本问题的信息都爬下来！

一、找到需要爬取网页的URL

这个很容易，该问题的url：https://www.zhihu.com/question/21358581

我们需要爬取四个信息：

问题描述
问题补充
关注者数
被浏览数

二、打开该网页的检查页面

推荐使用chrome浏览器实践，会和本文操作同步。

打开本问题的网页：

按F12键进入开发者页面：

三、在HTML代码中找到你要提取的数据

点击开发者页面左上角的‘选择元素’箭头：

然后再点击网页上的问题描述，这时候开发者界面上出现HTML源码：

你想要的问题描述文字，就藏在html源码里：

我们要爬取的第一个信息已经找到，按照上面步骤，可以找到其它三个信息在html中的位置。

如果你不懂什么是html？为甚么爬信息需要看html？请先看这篇回答：

如何入门 Python 爬虫？www.zhihu.com

四、写python代码进行网页请求、解析

这一步可能是大家最最关心的，因为涉及到python代码。

其实这里对python的要求也仅限于你需要会数据类型、变量、运算符、函数、模块之类的简单语法。

因为我们会用到好几个第三方库，帮助我们完成网页请求、解析的工作，你需要做的是知道这些库的使用方法。

如果你对这个过程仍感迷惑，仍推荐先看这篇回答：

如何入门 Python 爬虫？www.zhihu.com

Part 1

这里用到的用于网页请求的库是**requests，**一个非常流行的http请求库。

这里请求的是什么？不是原谅、也不是理解，而是网页的html信息。

服务器收到请求后，会返回相应的网页对象。

Requests库会自动解码来自服务器的内容，大多数 unicode 字符集都能被无缝地解码。

这一切requests都能妥妥地搞定。

我们来尝试下：

import requests
headers = {'User-Agent':你的浏览器headers}
# 传入url和请求头
r = requests.get('https://www.zhihu.com/question/21358581',headers=headers)
# 响应的内容
print(r.text)

我们会接收到服务器返回的页面，requests解析后，呈现下面这样子：

这就是我们需要的html源码呀！

接下来要做的就是从html中抽取我们需要的四个信息。

Part 2

通过网页请求，我们获取到响应的html文档，我们需要的东西都在这个文档里。

但是怎么去抽取信息呢？

XPath 是一门在 XML 文档中查找信息的语言，可用来在 XML 文档中对元素和属性进行遍历。

这里用到另一个有用的库xpath，xpath库可以让你轻松的使用XPath语言查找信息。

既然XPath是在XML文档中才能起作用，然而我们刚刚获取的html只是文本字符串。

所以需要把html文档转换为XPath可以解析的对象：lxml.etree._Element（xml/html文件树中的一个节点）。

接着上面代码：

# 将html文档转换为XPath可以解析的
s = etree.HTML(r.text)

Part 3

这下我们可以使用xpath库来进行信息的提取了。

xpath的使用方法这里不赘述了，大家可以网上搜搜资料，个半小时也能学会。

这里介绍一种简单的方法，你在开发者页面中找到对应信息的源码后，直接右键复制xpath地址：

但复制的xpath很有可能会导致获取的信息为空，所以我这里用标签的属性来获取对应文本。

接上面代码：

# 获取问题内容
q_content = s.xpath('//*[@class="QuestionHeader-title"]/text()')[0]
# 获取问题描述
q_describe = s.xpath('//*[@class="RichText ztext"]/text()')[0]
# 获取关注数和浏览量，这两个属性一样
q_number = s.xpath('//*[@class="NumberBoard-itemValue"]/text()')
concern_num = q_number[0]
browing_num = q_number[1]
# 打印
print('问题:',q_content,'\n','描述:',q_describe,'\n','关注数:',concern_num,'\n','浏览量:',browing_num)

最终呈现的结果：

全部代码：

import requests
from lxml import etree
headers = {'User-Agent':你的浏览器headers}
r = requests.get('https://www.zhihu.com/question/21358581',headers=headers)
s = etree.HTML(r.text)
# 获取问题内容
q_content = s.xpath('//*[@class="QuestionHeader-title"]/text()')[0]
# 获取问题描述
q_describe = s.xpath('//*[@class="RichText ztext"]/text()')[0]
# 获取关注数和浏览量，这两个属性一样
q_number = s.xpath('//*[@class="NumberBoard-itemValue"]/text()')
concern_num = q_number[0]
browing_num = q_number[1]
# 打印
print('问题:',q_content,'\n','描述:',q_describe,'\n','关注数:',concern_num,'\n','浏览量:',browing_num)