摘要：从零开始写一个爬虫实战。
作者 | Jack Cui
来源 | https://cuijiahua.com/blog/2017/10/spider_tutorial_1.html
建议：请在电脑的陪同下，阅读本文。本文以实战为主，阅读过程如稍有不适，还望多加练习。
网络爬虫简介
网络爬虫，也叫网络蜘蛛(Web Spider)。它根据网页地址(URL)爬取网页内容，而网页地址(URL)就是我们在浏览器中输入的网站链接。比如：https://www.baidu.com/，它就是一个 URL。
在讲解爬虫内容之前，我们需要先学习一项写爬虫的必备技能：审查元素（如果已掌握，可跳过此部分内容）。
1、审查元素
在浏览器的地址栏输入 URL 地址，在网页处右键单击，找到检查。(不同浏览器的叫法不同，Chrome 浏览器叫做检查，Firefox 浏览器叫做查看元素，但是功能都是相同的)
我们可以看到，右侧出现了一大推代码，这些代码就叫做 HTML。什么是 HTML？举个容易理解的例子：我们的基因决定了我们的原始容貌，服务器返回的 HTML 决定了网站的原始容貌。
为啥说是原始容貌呢？因为人可以整容啊！扎心了，有木有？那网站也可以"整容"吗？可以！请看下图：
我能有这么多钱吗？显然不可能。我是怎么给网站"整容"的呢？就是通过修改服务器返回的 HTML 信息。我们每个人都是"整容大师"，可以修改页面信息。我们在页面的哪个位置点击审查元素，浏览器就会为我们定位到相应的 HTML 位置，进而就可以在本地更改 HTML 信息。
再举个小例子：我们都知道，使用浏览器"记住密码"的功能，密码会变成一堆小黑点，是不可见的。可以让密码显示出来吗？可以，只需给页面"动个小手术"！以淘宝为例，在输入密码框处右键，点击检查。
可以看到，浏览器为我们自动定位到了相应的 HTML 位置。将下图中的 password 属性值改为 text 属性值(直接在右侧代码处修改)：
我们让浏览器记住的密码就这样显现出来了：
说这么多，什么意思呢？浏览器就是作为客户端从服务器端获取信息，然后将信息解析，并展示给我们的。我们可以在本地修改 HTML 信息，为网页"整容"，但是我们修改的信息不会回传到服务器，服务器存储的 HTML 信息不会改变。刷新一下界面，页面还会回到原本的样子。这就跟人整容一样，我们能改变一些表面的东西，但是不能改变我们的基因。
2、简单实例
网络爬虫的第一步就是根据 URL，获取网页的 HTML 信息。在 Python3 中，可以使用urllib.request和requests进行网页爬取。
urllib 库是 python 内置的，无需我们额外安装，只要安装了 Python 就可以使用这个库。
requests 库是第三方库，需要我们自己安装。这个库强大好用，所以本文使用 requests 库获取网页的 HTML 信息。requests 库的 github 地址：https://github.com/requests/requests
(1)requests 安装
在 cmd 中，使用如下指令安装 requests：
1pip install requests
requests 库的基础方法如下：
官方中文教程地址：http://docs.python-requests.org/zh_CN/latest/user/quickstart.html
requests 库的开发者为我们提供了详细的中文教程，查询起来很方便。本文不会对其所有内容进行讲解，摘取其部分使用到的内容，进行实战说明。
首先，让我们看下 requests.get()方法，它用于向服务器发起 GET 请求，不了解 GET 请求没有关系。我们可以这样理解：get 的中文意思是得到、抓住，那这个 requests.get()方法就是从服务器得到、抓住数据，也就是获取数据。让我们看一个例子(以 www.gitbook.cn 为例)来加深理解：
1# -*- coding:UTF-8 -*-
2import requests
3
4if __name__ == '__main__':
5 target = 'http://gitbook.cn/'
6 req = requests.get(url=target)
7 print(req.text)
requests.get()方法必须设置的一个参数就是 url，因为我们得告诉 GET 请求，我们的目标是谁，我们要获取谁的信息。运行程序看下结果：
左侧是我们程序获得的结果，右侧是我们在 www.gitbook.cn 网站审查元素获得的信息。我们可以看到，我们已经顺利获得了该网页的 HTML 信息。这就是一个最简单的爬虫实例，可能你会问，我只是爬取了这个网页的 HTML 信息，有什么用呢？客官稍安勿躁，接下来进入我们的实战正文。
爬虫实战
接下来我们来一次爬虫实战，爬取中网小说网站「笔趣看」上的文字。
(1)实战背景
小说网站-笔趣看：
URL：http://www.biqukan.com/
笔趣看是一个盗版小说网站，这里有很多起点中文网的小说，该网站小说的更新速度稍滞后于起点中文网正版小说的更新速度。并且该网站只支持在线浏览，不支持小说打包下载。因此，本次实战就是从该网站爬取并保存一本名为《一念永恒》的小说，该小说是耳根正在连载中的一部玄幻小说。PS：本实例仅为交流学习，支持耳根大大，请上起点中文网订阅。
(2)小试牛刀
我们先看下《一念永恒》小说的第一章内容，URL：http://www.biqukan.com/1_1094/5403177.html
我们先用已经学到的知识获取 HTML 信息试一试，编写代码如下：
1# -*- coding:UTF-8 -*-
2import requests
3
4if __name__ == '__main__':
5 target = 'http://www.biqukan.com/1_1094/5403177.html'
6 req = requests.get(url=target)
7 print(req.text)
运行代码，可以看到如下结果：
可以看到，我们很轻松地获取了 HTML 信息。但是，很显然，很多信息是我们不想看到的，我们只想获得如右侧所示的正文内容，我们不关心 div、br 这些 html 标签。如何把正文内容从这些众多的 html 标签中提取出来呢？这就是本次实战的主要内容。
（3）Beautiful Soup
爬虫的第一步，获取整个网页的 HTML 信息，我们已经完成。接下来就是爬虫的第二步，解析 HTML 信息，提取我们感兴趣的内容。对于本小节的实战，我们感兴趣的内容就是文章的正文。提取的方法有很多，例如使用正则表达式、Xpath、Beautiful Soup 等。对于初学者而言，最容易理解，并且使用简单的方法就是使用 Beautiful Soup 提取感兴趣内容。
Beautiful Soup 的安装方法和 requests 一样，使用如下指令安装(也是二选一)：
pip install beautifulsoup4
easy_install beautifulsoup4
一个强大的第三方库，都会有一个详细的官方文档。我们很幸运，Beautiful Soup 也是有中文的官方文档。URL：
http://beautifulsoup.readthedocs.io/zh_CN/latest/
同理，我会根据实战需求，讲解 Beautiful Soup 库的部分使用方法，更详细的内容，请查看官方文档。
现在，我们使用已经掌握的审查元素方法，查看一下我们的目标页面，你会看到如下内容：
不难发现，文章的所有内容都放在了一个名为 div 的“东西下面”，这个"东西"就是 html 标签。HTML 标签是 HTML 语言中最基本的单位，HTML 标签是 HTML 最重要的组成部分。不理解，没关系，我们再举个简单的例子：
一个女人的包包里，会有很多东西，她们会根据自己的习惯将自己的东西进行分类放好。镜子和口红这些会经常用到的东西，会归放到容易拿到的外侧口袋里。那些不经常用到，需要注意安全存放的证件会放到不容易拿到的里侧口袋里。
html 标签就像一个个“口袋”，每个“口袋”都有自己的特定功能，负责存放不同的内容。显然，上述例子中的 div 标签下存放了我们关心的正文内容。这个 div 标签是这样的：
1<div id="content", class="showtxt">
细心的朋友可能已经发现，除了 div 字样外，还有 id 和 class。id 和 class 就是 div 标签的属性，content 和 showtxt 是属性值，一个属性对应一个属性值。这东西有什么用？它是用来区分不同的 div 标签的，因为 div 标签可以有很多，我们怎么加以区分不同的 div 标签呢？就是通过不同的属性值。
仔细观察目标网站一番，我们会发现这样一个事实：class 属性为 showtxt 的 div 标签，独一份！这个标签里面存放的内容，是我们关心的正文部分。
知道这个信息，我们就可以使用 Beautiful Soup 提取我们想要的内容了，编写代码如下：
1# -*- coding:UTF-8 -*-
2from bs4 import BeautifulSoup
3import requests
4if __name__ == "__main__":
5 target = 'http://www.biqukan.com/1_1094/5403177.html'
6 req = requests.get(url = target)
7 html = req.text
8 bf = BeautifulSoup(html)
9 texts = bf.find_all('div', class_ = 'showtxt')
10 print(texts)
在解析 html 之前，我们需要创建一个 Beautiful Soup 对象。BeautifulSoup 函数里的参数就是我们已经获得的 html 信息。然后我们使用find_all方法，获得 html 信息中所有 class 属性为 showtxt 的 div 标签。find_all方法的第一个参数是获取的标签名，第二个参数class_是标签的属性，为什么不是 class，而带了一个下划线呢？因为 python 中 class 是关键字，为了防止冲突，这里使用class_表示标签的 class 属性，class_后面跟着的 showtxt 就是属性值了。看下我们要匹配的标签格式：
1<div id="content", class="showtxt">
这样对应的看一下，是不是就懂了？可能有人会问了，为什么不是find_all('div', id = 'content', class_ = 'showtxt')?这样其实也是可以的，属性是作为查询时候的约束条件，添加一个class_='showtxt'条件，我们就已经能够准确匹配到我们想要的标签了，所以我们就不必再添加 id 这个属性了。运行代码查看我们匹配的结果：
我们可以看到，我们已经顺利匹配到我们关心的正文内容，但是还有一些我们不想要的东西。比如 div 标签名，br 标签，以及各种空格。怎么去除这些东西呢？我们继续编写代码：
1# -*- coding:UTF-8 -*-
2from bs4 import BeautifulSoup
3import requests
4if __name__ == "__main__":
5 target = 'http://www.biqukan.com/1_1094/5403177.html'
6 req = requests.get(url = target)
7 html = req.text
8 bf = BeautifulSoup(html)
9 texts = bf.find_all('div', class_ = 'showtxt')
10 print(texts[0].text.replace('\xa0'*8,'\n\n'))
find_all 匹配的返回的结果是一个列表。提取匹配结果后，使用 text 属性，提取文本内容，滤除 br 标签。随后使用 replace 方法，剔除空格，替换为回车进行分段。 在 html 中是用来表示空格的。replace('\xa0'*8,'\n\n')就是去掉下图的八个空格符号，并用回车代替：
程序运行结果如下：
可以看到，我们很自然的匹配到了所有正文内容，并进行了分段。我们已经顺利获得了一个章节的内容，要想下载正本小说，我们就要获取每个章节的链接。我们先分析下小说目录：URL：http://www.biqukan.com/1_1094/
通过审查元素，我们发现可以发现，这些章节都存放在了 class 属性为 listmain 的 div 标签下，选取部分 html 代码如下：
1<div class="listmain">
2<dl>
3<dt>《一念永恒》最新章节列表</dt>
4<dd><a href="/1_1094/15932394.html">第 1027 章 第十道门</a></dd>
5<dd><a href="/1_1094/15923072.html">第 1026 章 绝伦道法！</a></dd>
6<dd><a href="/1_1094/15921862.html">第 1025 章 长生灯！</a></dd>
7<dd><a href="/1_1094/15918591.html">第 1024 章 一目晶渊</a></dd>
8<dd><a href="/1_1094/15906236.html">第 1023 章 通天道门</a></dd>
9<dd><a href="/1_1094/15903775.html">第 1022 章 四大凶兽！</a></dd>
10<dd><a href="/1_1094/15890427.html">第 1021 章 鳄首！</a></dd>
11<dd><a href="/1_1094/15886627.html">第 1020 章 一触即发！</a></dd>
12<dd><a href="/1_1094/15875306.html">第 1019 章 魁祖的气息！</a></dd>
13<dd><a href="/1_1094/15871572.html">第 1018 章 绝望的魁皇城</a></dd>
14<dd><a href="/1_1094/15859514.html">第 1017 章 我还是恨你！</a></dd>
15<dd><a href="/1_1094/15856137.html">第 1016 章 从来没有世界之门！</a></dd>
16<dt>《一念永恒》正文卷</dt> <dd><a href="/1_1094/5386269.html">外传 1 柯父。</a></dd>
17<dd><a href="/1_1094/5386270.html">外传 2 楚玉嫣。</a></dd> <dd><a href="/1_1094/5386271.html">外传 3 鹦鹉与皮冻。</a></dd>
18<dd><a href="/1_1094/5403177.html">第一章 他叫白小纯</a></dd> <dd><a href="/1_1094/5428081.html">第二章 火灶房</a></dd>
19<dd><a href="/1_1094/5433843.html">第三章 六句真言</a></dd> <dd><a href="/1_1094/5447905.html">第四章 炼灵</a></dd>
20</dl>
21</div>
在分析之前，让我们先介绍一个概念：父节点、子节点、孙节点。<div>和</div>限定了<div>标签的开始和结束的位置，他们是成对出现的，有开始位置，就有结束位置。我们可以看到，在<div>标签包含<dl>标签，那这个<dl>标签就是<div>标签的子节点，<dl>标签又包含<dt>标签和<dd>标签，那么<dt>标签和<dd>标签就是<div>标签的孙节点。有点绕？那你记住这句话：谁包含谁，谁就是谁儿子！
他们之间的关系都是相对的。比如对于<dd>标签，它的子节点是<a>标签，它的父节点是<dl>标签。这跟我们人是一样的，上有老下有小。
看到这里可能有人会问，这有好多<dd>标签和<a>标签啊！不同的<dd>标签，它们是什么关系啊？显然，兄弟姐妹喽！我们称它们为兄弟结点。
好了，概念明确清楚，接下来，让我们分析一下问题。我们看到每个章节的名字存放在了<a>标签里面。<a>标签还有一个 href 属性。这里就不得不提一下<a> 标签的定义了，<a> 标签定义了一个超链接，用于从一张页面链接到另一张页面。<a> 标签最重要的属性是 href 属性，它指示链接的目标。
我们将之前获得的第一章节的 URL 和<a> 标签对比看一下：
1http://www.biqukan.com/1_1094/5403177.html
不难发现，<a> 标签中 href 属性存放的属性值/1_1094/5403177.html是章节 URLhttp://www.biqukan.com/1_1094/5403177.html的后半部分。其他章节也是如此！那这样，我们就可以根据<a> 标签的 href 属性值获得每个章节的链接和名称了。
总结一下：小说每章的链接放在了 class 属性为 listmain 的<div>标签下的<a>标签中。链接具体位置放在 html->body->div->dl->dd->a 的 href 属性中。先匹配 class 属性为 listmain 的<div>标签，再匹配<a>标签。编写代码如下：
1# -*- coding:UTF-8 -*-
2from bs4 import BeautifulSoup
3import requests
4if __name__ == "__main__":
5 target = 'http://www.biqukan.com/1_1094/'
6 req = requests.get(url = target)
7 html = req.text
8 div_bf = BeautifulSoup(html)
9 div = div_bf.find_all('div', class_ = 'listmain')
10 print(div[0])
还是使用 find_all 方法，运行结果如下：
很顺利，接下来再匹配每一个<a>标签，并提取章节名和章节文章。如果我们使用 Beautiful Soup 匹配到了下面这个<a>标签，如何提取它的 href 属性和<a>标签里存放的章节名呢？
1<a href="/1_1094/5403177.html">第一章 他叫白小纯</a>
方法很简单，对 Beautiful Soup 返回的匹配结果 a，使用 a.get('href')方法就能获取 href 的属性值，使用 a.string 就能获取章节名，编写代码如下：
1# -*- coding:UTF-8 -*-
2from bs4 import BeautifulSoup
3import requests
4if __name__ == "__main__":
5 server = 'http://www.biqukan.com/'
6 target = 'http://www.biqukan.com/1_1094/'
7 req = requests.get(url = target) html = req.text
8 div_bf = BeautifulSoup(html)
9 div = div_bf.find_all('div', class_ = 'listmain')
10 a_bf = BeautifulSoup(str(div[0]))
11 a = a_bf.find_all('a')
12 for each in a:
13 print(each.string, server + each.get('href'))
因为 find_all 返回的是一个列表，里边存放了很多的<a>标签，所以使用 for 循环遍历每个<a>标签并打印出来，运行结果如下：
最上面匹配的一千多章的内容是最新更新的 12 章节的链接。这 12 章内容会和下面的重复，所以我们要滤除，除此之外，还有那 3 个外传，我们也不想要。这些都简单地剔除就好。
（3）整合代码
每个章节的链接、章节名、章节内容都有了。接下来就是整合代码，将获得内容写入文本文件存储就好了。编写代码如下：
1# -*- coding:UTF-8 -*-
2from bs4 import BeautifulSoup
3import requests, sys
4
5class downloader(object):
6 def __init__(self):
7 self.server = 'http://www.biqukan.com/'
8 self.target = 'http://www.biqukan.com/1_1094/'
9 self.names = [] #存放章节名
10 self.urls = [] #存放章节链接
11 self.nums = 0 #章节数
12
13 def get_download_url(self):
14 req = requests.get(url = self.target)
15 html = req.text
16 div_bf = BeautifulSoup(html)
17 div = div_bf.find_all('div', class_ = 'listmain')
18 a_bf = BeautifulSoup(str(div[0]))
19 a = a_bf.find_all('a')
20 self.nums = len(a[15:]) #剔除不必要的章节，并统计章节数
21 for each in a[15:]:
22 self.names.append(each.string)
23 self.urls.append(self.server + each.get('href'))
24
25 """
26 函数说明:获取章节内容
27 Parameters:
28 target - 下载连接(string)
29 Returns:
30 texts - 章节内容(string)
31 """
32 def get_contents(self, target):
33 req = requests.get(url = target)
34 html = req.text
35 bf = BeautifulSoup(html)
36 texts = bf.find_all('div', class_ = 'showtxt')
37 texts = texts[0].text.replace('\xa0'*8,'\n\n')
38 return texts
39
40 """
41 函数说明:将爬取的文章内容写入文件
42 Parameters:
43 name - 章节名称(string)
44 path - 当前路径下,小说保存名称(string)
45 text - 章节内容(string)
46 Returns:
47 无
48 """
49 def writer(self, name, path, text):
50 write_flag = True
51 with open(path, 'a', encoding='utf-8') as f:
52 f.write(name + '\n')
53 f.writelines(text)
54 f.write('\n\n')
55
56if __name__ == "__main__":
57 dl = downloader()
58 dl.get_download_url()
59 print('《一年永恒》开始下载：')
60 for i in range(dl.nums):
61 dl.writer(dl.names[i], '一念永恒.txt', dl.get_contents(dl.urls[i]))
62 sys.stdout.write(" 已下载:%.3f%%" % float(i/dl.nums*100) + '\r')
63 sys.stdout.flush()
64 print('《一年永恒》下载完成')
很简单的程序，单进程跑，没有开进程池。下载速度略慢，喝杯茶休息休息吧。代码运行效果如下图所示：
以上就是一次爬虫实战。
本文转自 Jack Cui 的博客文章，公众号见下方：
/今日留言主题/
你觉得这个爬虫难不难，或者爬过什么有意思网站？
(留言格式：Dayxx：blahblah
字数限制：15 字以上.)
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
