大一小白爬虫初试（初学者必看）

目录：

• 爬虫基础知识学习网址（简单易懂）
• 案例分析
• 我爬取新闻网站所遇到的问题及其解决方法
• 还存留的疑惑

---

关于爬虫的基础知识的网站

• 崔庆才爬虫博客（先看） http://cuiqingcai.com/1052.html
• 廖雪峰python学习网站 http://www.liaoxuefeng.c/wiki/001374738125095c955c1e6d8bb493182103fac9270762a000
• 爬虫实例 http://cuiqingcai.com/4352.html
• 知乎小白爬虫具体案例＋分析 https://www.zhihu.com/collection/159805421
• 知乎爬虫之知识集锦 (遇到问题时再看) https://zhuanlan.zhihu.com/p/21479334

爬取一个新闻网站

第一步：明确爬虫思路

１）在看完以上教程后，我们可以知道，我们要获取的网页的信息皆来自html源代码，而获取源代码需要我们获得这个网页的url（即链接），所以当我们爬取整个网站时，需要先获得网站的url

２）故而我们需要先观察要爬取的网站的架构
例如我的：
先得到: 大目录下每一项的url
再得到: 该目录项下每一页的url
最后获得: 每一项新闻的url　
（此处可用循环函数）　

３）通过每一项的url，获得该url的html的信息：　
　　标题，发布时间，图片，正文等
　 （此处可用正则匹配和beautifulsoup）

这一来Ｏ（∩＿∩）Ｏ是不是思路清晰了很多呢？
从我刚刚讲到的就可以知道爬虫最关键的两步就是获得访问权限和 匹配 了, 　下面具体问题具体分析

第二步：获得访问权限

１）网页请求头的获取方法：
按＂f12＂－－然后点击＂网络监视器＂－－在列表中随机点击一个－－点击后会出现消息头－－在消息头处找到请求头－－找到＇User-Agent＇－－其对应的值（这就是请求头啦）
这个是我在刚刚说的那个网站上获得的：

headers = {
    'User_Agent': 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:53.0) Gecko/20100101 Firefox/53.0'
}
url = "http://zh.vietnamplus.vn/"
m_response = requests.get(url=url, headers=headers)
m_html = m_response.text

２）其他详细方法请戳－－＞http://www.cnblogs.com/junrong624/p/5533655.html

第三步：查看页面元素以及正则匹配

把鼠标移到目录位置按右键－＂查看元素＂，可以定位该目录，并看到其在html上对应的代码：

"><span class="title">
<a href="/politics.vnp">时政</a>
</span>

</li>

<li class="parent ">
<span class="title">
<a href="/world.vnp">国际</a>
</span>

</li>

<li class="parent ">
<span class="title">
<a href="/business.vnp">经济</a>
</span>

</li>

<li class="parent ">
<span class="title">
<a href="/social.vnp">社会</a>
</span>

</li>

<li class="parent ">
<span class="title">
<a href="/culture.vnp">文化</a>
</span>

</li>

<li class="parent ">
<span class="title">
<a href="/sports.vnp">体育</a>
</span>

</li>

<li class="parent ">
<span class="title">
<a href="/technology.vnp">科技</a>
</span>

</li>

<li class="parent ">
<span class="title">
<a href="/environment.vnp">环保</a>
</span>

</li>

<li class="parent ">
<span class="title">
<a href="/Travel.vnp">旅游</a>
</span>

</li>

当我从网站上进入其中一项，如：＂时政＂时，我发现出现的新网页的url正好就是上面的　＇politics.vnp＇＋在首页网址(http://zh.vietnamplus.vn/)后面 http://zh.vietnamplus.vn/politics.vnp

所以我们只要把相应的网址的url字符串匹配出来后再联结在一起再访问就可以访问子网页啦！～

这个时候我们就要用到正则匹配了
（请先装好re包）
到底怎么用呢？请戳下面：

• 正则匹配的简单学习的网址：
  http://www.cnblogs.com/huxi/archive/2010/07/04/1771073.html?nsukey=87n%2Feuq1bh7UOjRfssJX4yWyLNqQSEzMW%2Fw6i4y5GxXWo8dRgZ1ZYIkAHI44dWrMmTsOPomm%2B6aU2eyVkFkfvTod4B5TLtYC2Z6uk2ez0eBTqzW6HOn7%2BGCeIMy9ViXz9IUMrw%2BipjAA5YYItCXPLA%3D%3D
• 正则匹配的详细学习的网址（这个比较容易理解些）
  https://deerchao.net/tutorials/regex/regex.htm?nsukey=FH6k8nAWLGh8BnpLuW8%2FP9IKHkoYL93XC4NJ3clbq1MJcfL9HbBOLFd3pLK1g89JflKztPFDK3DRW7vfLGqMWLUKazcMVoUNEgBItrR96dGc8PYahHrqTGdembVCTatGYsQxz5gptqT57qZTFLoERnsH8fCAlLV8%2Fxb4lh0wbKgBtFLEtfDxpO7QpF%2F3RH0T

python代码如下：

classifications = re.findall(r’.+?\s’, m_html)＃这里就是正则匹配啦
# 利用集合去重
classifications = list(set(classifications))
print classifications
#获取每个分类的url
num = 0
for classification in classifications:
c_url = ‘http://zh.vietnamplus.vn/’ + classification
print c_url
classification

比较高难度点的就用beautifulsoup
到底怎么用呢？请戳下面：

• Beautifulsoup的学习的网址：
  http://blog.sina.com.cn/s/blog_64d0b03c0101dxd3.html
• Beautifulsoup的详细学习的网址（这个比较容易理解些）
  http://cndenis.iteye.com/blog/1746706
• Beautifulsoup的select方法详解的网址：
  https://www.cnblogs.com/yizhenfeng168/p/6979339.html
• BeautifulSoup 模块使用指南的网址：
  https://www.jianshu.com/p/2b783f7914c6
  以此类推，是不是也可以匹配其他信息了

第四步：将爬取的内容保存到文件里
- 参考方法：
http://www.cnblogs.com/ymjyqsx/p/6554817.html

**爬虫过程中遇到的问题： １＞url字符串无法联结 ２＞url无法访问

方法

方法

３＞字符串就是匹配不到，明明没错 ４＞编码解码等问题

方法

方法

这些内容待我搞明白会继续补充