爬虫是怎么实现的及其思路

“获取数据——解析数据——存储数据”是爬虫的三部曲，大部分爬虫都是按这样的流程来进行，这其实也是模拟了我们使用浏览器获取网页信息的过程。

1.获取数据：爬虫第一步操作是模拟浏览器向服务器发送请求

初学老师教我们用Requests,有不同的请求获取网页

requests.get

requests.post

requests.put

import requests #导入爬虫的库，不然调用不了爬虫的函数
response = requests.get("http://www.baidu.com") #生成一个response对象

2.解析数据：我们一般不需要整个网页的数据，这是需要进行数据的解析再储存

从WEB上采集的数据类型主要是HTML等格式，使用解析库 ==在HTML查找所需要信息时用的正则——可以快速定位所需具体元素。

BeautifulSoup就是借助网页结构和属性的特性来解析网页的工具.

       

#标签选择
soup.a    #查找第一个a标签
soup.find_all('a','short')    #查找所有属性值为short的a标签

#内容选择
soup.p,string    #查找p标签的文字
soup.p.attrs    #查找p标签内的属性名称及值
soup.p,get('class')    #查找p标签class的属性值

Re正则表达式 通常用来检索，替换文本。

3.数据储存

当数据量较小时，可以用文档形式储存（TXT, json , csv）

TXT文件：

with open('content.txt','w',encoding='utf-8' as file:
file.write(data)

JSON文件：

with open('content.json','w',encoding='utf-8') as file:
file.write(json.dumps(data))

CSV文件：

with open('content.csv','w',encoding='utf-8') as csvfile:
writer = csv.write(csvfile)
writer.writerow(一行内容)    #有多少行就要写多少次

4.爬虫实例

# 第一个爬虫示例,爬取百度页面
import requests #导入爬虫的库，不然调用不了爬虫的函数
response = requests.get("http://www.baidu.com") #生成一个response对象
response.encoding = response.apparent_encoding #设置编码格式
print("状态码:"+ str( response.status_code ) ) #打印状态码
print(response.text)#输出爬取的信息

如果需要传多个参数只需要用&符号连接即可：

import requests #先导入爬虫的库，不然调用不了爬虫的函数
response = requests.get("http://httpbin.org/get?name=hezhi&age=20") # get传参

params用字典可以传多个：

import requests #先导入爬虫的库，不然调用不了爬虫的函数
data = { "name":"hezhi", "age":20}response = requests.get( "http://httpbin.org/get" , params=data ) # get方法

爬取信息并保存到本地：

# 爬取一个html并保存
import requests
url = "http://www.baidu.com"
response = requests.get( url )
response.encoding = "utf-8" #设置接收编码格式
print("\nr的类型" + str( type(response) ) )
print("\n状态码是:" + str( response.status_code ) )
print("\n头部信息:" + str( response.headers ) )
print( "\n响应内容:" )
print( response.text )
#保存文件file = open("D:\\爬虫\\baidu.html","w",encoding="utf") #打开一个文件，w是文件不存在则新建一个文件，这里不用wb是因为不用保存成二进制
file.write( response.text )
file.close()

爬取图片并保存到本地：

#保存百度图片到本地
import requests #先导入爬虫的库，不然调用不了爬虫的函数
response = requests.get("https://www.baidu.com/img/baidu_jgylogo3.gif") #get方法的到图片响应
file = open("D:\\爬虫\\baidu_logo.gif","wb") #打开一个文件,wb表示以二进制格式打开一个文件只用于写入
file.write(response.content) #写入文件
file.close()#关闭操作