零基础小白如何入门 Python 爬虫？

想要入门Python 爬虫首先需要解决四个问题

    · 熟悉python编程

    · 了解HTML

    · 了解网络爬虫的基本原理

    · 学习使用python爬虫库

一、你应该知道什么是爬虫？

    网络爬虫，其实叫作网络数据采集更容易理解。

    就是通过编程向网络服务器请求数据（HTML表单），然后解析HTML，提取出自己想要的数据。

    归纳为四大步：

    00001. 根据url获取HTML数据

    00002. 解析HTML，获取目标信息

    00003. 存储数据

    00004. 重复第一步

    这会涉及到数据库、网络服务器、HTTP协议、HTML、数据科学、网络安全、图像处理等非常多的内容。但对于初学者而言，并不需要掌握这么多。

          二、python要学习到什么程度

    如果你不懂python，那么需要先学习python这门非常easy的语言（相对其它语言而言）。

    编程语言基础语法无非是数据类型、数据结构、运算符、逻辑结构、函数、文件IO、错误处理这些，学起来会显枯燥但并不难。

    刚开始入门爬虫，你甚至不需要去学习python的类、多线程、模块之类的略难内容。找一个面向初学者的教材或者网络教程，花个十几天功夫，就能对python基础有个三四分的认识了，这时候你可以玩玩爬虫喽！

    先说下python入门，实在是太容易了，因为语法简单，思维与人类的思维很相近。入门的时候，别整天想着看很多资料，网上各种找，最后都留在了收藏夹吃灰。其实对于刚接触编程的小白而言，最容易卡在安装Python环境和实操代码这一步。建议一开始先试试一些学习网站的免费课程，大概了解下Python的基础知识，打好扎实的基础后再上手学爬虫。如果毫无基础可言，甚至不知道如何下载Python，那我推荐下面这个免费课程↓ 不用安装环境，直接在网页上学习代码实操，基础知识配实战，这样学起来更容易：

    当然，前提是你必须在这十几天里认真敲代码，反复咀嚼语法逻辑，比如列表、字典、字符串、if语句、for循环等最核心的东西都得捻熟于心、于手。

    教材方面比较多选择，我个人是比较推荐python官方文档以及python简明教程，前者比较系统丰富、后者会更简练。

             三、为什么要懂HTML

    前面说到过爬虫要爬取的数据藏在网页里面的HTML里面的数据，有点绕哈！

    维基百科是这样解释HTML的

    总结一下，HTML是一种用于创建网页的标记语言，里面嵌入了文本、图像等数据，可以被浏览器读取，并渲染成我们看到的网页样子。

    所以我们才会从先爬取HTML，再 解析数据，因为数据藏在HTML里。

    学习HTML并不难，它并不是编程语言，你只需要熟悉它的标记规则，这里大致讲一下。

    HTML标记包含标签（及其属性）、基于字符的数据类型、字符引用和实体引用等几个关键部分。

    HTML标签是最常见的，通常成对出现，比如<h1>与h1>。

    这些成对出现的标签中，第一个标签是开始标签，第二个标签是结束标签。两个标签之间为元素的内容（文本、图像等），有些标签没有内容，为空元素，如<img>。

    以下是一个经典的Hello World程序的例子：

    HTML文档由嵌套的HTML元素构成。它们用HTML标签表示，包含于尖括号中，如<p>[56]

    在一般情况下，一个元素由一对标签表示：“开始标签”<p>与“结束标签”p>。元素如果含有      文本内容，就被放置在这些标签之间。

           四、了解python网络爬虫的基本原理

    在编写python爬虫程序时，只需要做以下两件事：

   · 发送GET请求，获取HTML

   · 解析HTML，获取数据

    这两件事，python都有相应的库帮你去做，你只需要知道如何去用它们就可以了。

          五、用python库爬取百度首页标题和图片

    首先，发送HTML数据请求可以使用python内置库urllib，该库有一个urlopen函数，可以根据      url获取HTML文件，这里尝试获取百度首页“https://www.baidu.com/”的HTML内容

    我们看一下真正百度首页html是什么样的，如果你用的是谷歌浏览器，在百度主页打开设置>更多工具>开发者工具，点击element，就可以看到了：

    对比一下你就会知道，刚才通过python程序获取到的HTML和网页中的一样！

    获取了HTML之后，接下就要解析HTML了，因为你想要的文本、图片、视频都藏在HTML里，你需要通过某种手段提取需要的数据。

    python同样提供了非常多且强大的库来帮助你解析HTML，这里以著名的python库    BeautifulSoup为工具来解析上面已经获取的HTML。

    BeautifulSoup是第三方库，需要安装使用。在命令行用pip安装就可以了：

BeautifulSoup会将HTML内容转换成结构化内容，你只要从结构化标签里面提取数据就OK了：

比如，我想获取百度首页的标题“百度一下，我就知道”，怎么办呢？

这个标题是被两个标签套住的，一个是一级标签,另一个是二级标签

原文链接：http://consult.kguagua.com/pc/431b26754adc4aa5b23c65df675a4927.html?id=56