python爬虫怎么爬同一个网站的多页数据-如何用Python爬数据？（一）网页抓取

如何用Python爬数据？（一）网页抓取

你期待已久的Python网络数据爬虫教程来了。本文为你演示如何从网页里找到感兴趣的链接和说明文字，抓取并存储到Excel。

需求

我在公众号后台，经常可以收到读者的留言。

很多留言，是读者的疑问。只要有时间，我都会抽空尝试解答。

但是有的留言，乍看起来就不明所以了。

例如下面这个：

一分钟后，他可能觉得不妥（大概因为想起来，我用简体字写文章），于是又用简体发了一遍。

我恍然大悟。

这位读者以为我的公众号设置了关键词推送对应文章功能。所以看了我的其他数据科学教程后，想看“爬虫”专题。

不好意思，当时我还没有写爬虫文章。

而且，我的公众号暂时也没有设置这种关键词推送。

主要是因为我懒。

这样的消息接收得多了，我也能体察到读者的需求。不止一个读者表达出对爬虫教程的兴趣。

之前提过，目前主流而合法的网络数据收集方法，主要分为3类：

开放数据集下载；

API读取；

爬虫。

前两种方法，我都已经做过一些介绍，这次说说爬虫。

概念

许多读者对爬虫的定义，有些混淆。咱们有必要辨析一下。

维基百科是这么说的：

网络爬虫（英语：web crawler），也叫网络蜘蛛（spider），是一种用来自动浏览万维网的网络机器人。其目的一般为编纂网络索引。

这问题就来了，你又不打算做搜索引擎，为什么对网络爬虫那么热心呢？

其实，许多人口中所说的爬虫（web crawler），跟另外一种功能“网页抓取”（web scraping）搞混了。

维基百科上，对于后者这样解释：

Web scraping, web harvesting, or web data extraction is data scraping used for extracting data from websites. Web scraping software may access the World Wide Web directly using the Hypertext Transfer Protocol, or through a web browser.

看到没有，即便你用浏览器手动拷贝数据下来，也叫做网页抓取（web scraping）。是不是立刻觉得自己强大了很多？

但是，这定义还没完：

While web scraping can be done manually by a software user, the term typically refers to automate processes implemented using a bot or web crawler.

也就是说，用爬虫（或者机器人）自动替你完成网页抓取工作，才是你真正想要的。

数据抓下来干什么呢？

一般是先存储起来，放到数据库或者电子表格中，以备检索或者进一步分析使用。

所以，你真正想要的功能是这样的：

找到链接，获得Web页面，抓取指定信息，存储。

这个过程有可能会往复循环，甚至是滚雪球。

你希望用自动化的方式来完成它。

了解了这一点，你就不要老盯着爬虫不放了。爬虫研制出来，其实是为了给搜索引擎编制索引数据库使用的。你为了抓取点儿数据拿来使用，已经是大炮轰蚊子了。

要真正掌握爬虫，你需要具备不少基础知识。例如HTML, CSS, Javascript, 数据结构……

这也是为什么我一直犹豫着没有写爬虫教程的原因。

不过这两天，看到王烁主编的一段话，很有启发：

我喜欢讲一个另类二八定律，就是付出两成努力，了解一件事的八成。

既然我们的目标很明确，就是要从网页抓取数据。那么你需要掌握的最重要能力，是拿到一个网页链接后，如何从中快捷有效地抓取自己想要的信息。

掌握了它，你还不能说自己已经学会了爬虫。

但有了这个基础，你就能比之前更轻松获取数据了。特别是对“文科生”的很多应用场景来说，非常有用。这就是赋能。

而且，再进一步深入理解爬虫的工作原理，也变得轻松许多。

这也算“另类二八定律”的一个应用吧。

Python语言的重要特色之一，就是可以利用强大的软件工具包（许多都是第三方提供）。你只需要编写简单的程序，就能自动解析网页，抓取数据。

本文给你演示这一过程。

目标

要抓取网页数据，我们先制订一个小目标。

目标不能太复杂。但是完成它，应该对你理解抓取（Web Scraping）有帮助。

就选择我最近发布的一篇简书文章作为抓取对象好了。题目叫做《如何用《玉树芝兰》入门数据科学？》。

这篇文章里，我把之前的发布的数据科学系列文章做了重新组织和串讲。

文中包含很多之前教程的标题和对应链接。例如下图红色边框圈起来的部分。