【python爬虫专项（2）】网页结构剖析

1. 如何查看网页结构

以豆瓣网为例：https://book.douban.com/subject_search?search_text=%E6%95%B0%E6%8D%AE&cat=1001

1）浏览器：谷歌浏览器 - chrome

2）开启开发者模式：右键 → 检查

3）查看源代码：右键 → 查看网页源代码

2. 如何构建爬虫逻辑

2.1 一个简单的框架图

2.2 爬虫基本逻辑（一）：【分页网页url采集】-【数据信息网页url采集】-【数据采集】

该逻辑1个数据信息网页采集1条数据

第一步【分页网页url采集】→ 得到一个分页的urllst1

    ① 找到分页网址 → 比如这里以之前的爬取实习僧网站的python实习生的信息举例

            https://www.shixiseng.com/interns?page=1&keyword=python&type=intern&area=&months=&days=&degree=&official=&enterprise=&salary=-0&publishTime=&sortType=&city=%E5%8C%97%E4%BA%AC&internExtend=
             https://www.shixiseng.com/interns?page=2&keyword=python&type=intern&area=&months=&days=&degree=&official=&enterprise=&salary=-0&publishTime=&sortType=&city=%E5%8C%97%E4%BA%AC&internExtend=
            https://www.shixiseng.com/interns?page=3&keyword=python&type=intern&area=&months=&days=&degree=&official=&enterprise=&salary=-0&publishTime=&sortType=&city=%E5%8C%97%E4%BA%AC&internExtend=
             。。。。。。

    ② 这里由于网页只需要更改“page=…”，所以通过for循环即可

第二步【数据信息网页url采集】→ 得到一个数据页的urllst2

    ① 基于分页网址urllst1，采集每一个数据页面的url，并存入urllst2

            https://www.shixiseng.com/intern/inn_j34ozcntlsab
            https://www.shixiseng.com/intern/inn_fxckjairtwke
            https://www.shixiseng.com/intern/inn_2bjwgimxguda
             。。。。。。

    ② 这里需要用到requests + BeautifulSoup实现

第三步【数据采集】→ 每条数据存进一个dict，所有dict组成一个datalst列表

     ① 通过BeautisulSoup解析标签，采集数据

     ② 通过BeautisulSoup实现（接下来要将的内容）

2.3 爬虫基本逻辑（二）：【分页网页url采集】-【数据采集】

该逻辑也可以称为：“循环标签采集”：1个分页网页采集n条数据

          优势：相比于第一种逻辑，访问网页次数较少，容易避开反爬

          劣势：相比于第一种逻辑，获取信息较少

第一步【分页网页url采集】→ 得到一个分页的urllst1

     ① 找到分页网址 → 比如这里以之前的爬取实习僧网站的python实习生的信息举例

             https://www.shixiseng.com/interns?page=1&keyword=python&type=intern&area=&months=&days=&degree=&official=&enterprise=&salary=-0&publishTime=&sortType=&city=%E5%8C%97%E4%BA%AC&internExtend=
             https://www.shixiseng.com/interns?page=2&keyword=python&type=intern&area=&months=&days=&degree=&official=&enterprise=&salary=-0&publishTime=&sortType=&city=%E5%8C%97%E4%BA%AC&internExtend=
             https://www.shixiseng.com/interns?page=3&keyword=python&type=intern&area=&months=&days=&degree=&official=&enterprise=&salary=-0&publishTime=&sortType=&city=%E5%8C%97%E4%BA%AC&internExtend=
             。。。。。。

    ② 这里由于网页只需要更改“page=…”，所以通过for循环即可

第二步【数据采集】→ 每条数据存进一个dict，所有dict组成一个datalst列表

    ① 通过for循环依次采集该页面的多个标签

    ② 通过BeautisulSoup实现，进行网页的解析，获取标签信息全部存到dict里面

3.需要掌握的内容

网络资源访问工具：requests

掌握requests工具包，学会通过python访问网站，并做简单的内容识别

网页信息解析方法：Xpath与BeautifulSoup

掌握BeautifulSoup工具包，理解xpath网页解析方法，基本掌握静态网页的页面数据识别

爬虫数据库：MongoDB

掌握非关系数据库MongoDB，并且学会用python连接及使用MongoDB，管理采集数据