python爬虫系统简介_Python3基础爬虫简介

python3 基础爬虫入门心得

第一次写博客，有点紧张，不喜勿喷。

如果有不足之处，希望读者指出，本人一定改正。学习爬虫之前你需要了解(个人建议，铁头娃可以无视)：

- **少许网页制作知识,起码要明白什么标签...**

- **相关语言基础知识。比如用java做爬虫起码会用Java语言，用python做爬虫起码要会用python语言...**

- **一些网络相关知识。比如TCP/IP、cookie之类的知识，明白网页打开的原理。**

- **国家法律。知道哪些能爬，哪些不能爬，别瞎爬。**

如标题，本文中所有代码使用python3.6.X。

首先，你需要安装(pip3 install xxxx 一下就OK了)requests 模块

BeautifulSoup 模块(或lxml 模块)

这两个库功能十分强大，requests用于发送网页请求和打开网页，beautifulsoup和lxml则用于解析内容，提取你想要的东西。BeautifulSoup偏向于正则表达式，lxml则偏向于XPath。因为本人用beautifulsoup库比较习惯，这篇文章主要应用beautifulsoup库，lxml不做过多赘诉。(用之前建议先看文档)

爬虫的主要结构：管理器：管理你要爬取的地址。

下载器：把网页信息下载下来。

筛选器：从下载到的网页信息中筛选出你所需要的内容。

储存器：把下载到的东西存你想存的地方。(根据实际情况，可有可无。)

在我所接触到的所有的网络爬虫基本都逃不出这个结构，大到sracpy小到urllib。这个结构知道就行，不用死记，知道它的好处就是在写的时候起码能知道自己在写什么，出BUG的时候知道在哪动手DEBUG。

前面废话有点多….正文如下：

本文以爬取https://baike.baidu.com/item/Python(python的百度词条为例)：

(因为截图太麻烦..这将是本文唯一一张图)

想要爬取python的词条内容，首先，你要知道你所要爬取的网址：url = 'https://baike.baidu.com/item/Python'

因为只需要爬这一页，管理器OK。html = request.urlopen(url)

调用一下urlopen()函数，下载器OKSoup = BeautifulSoup(html,"html.parser")

baike = Soup.find_all("p",class_='lemma-summary')

利用Beautifulsoup库里的beautifulsoup函数合find_all函数，解析器OK

在这里说一句,find_all函数的返回值是一个列表。所以输出时要循环打印。

由于本例不需要保存，直接打印就行，所以：for content in baike:

print (content.get_text())

get_text()的作用是提取出标签里的文本。

把上面的代码整理一下：import requestsfrom bs4 import BeautifulSoupfrom urllib import requestimport reif __name__ == '__main__':

url = 'https://baike.baidu.com/item/Python'

html = request.urlopen(url)

Soup = BeautifulSoup(html,"html.parser")

baike = Soup.find_all("p",class_='lemma-summary') for content in baike: print (content.get_text())

百度百科的词条就出来了。

类似的方法也能爬一些小说、图片、头条之类的，绝不仅限于词条。

如果关掉这篇文章你也能写出这个程序，那恭喜你，入门了。记住，千万别背代码。

骤都省略了…整个程序有点粗糙…见谅啊….溜了溜了(￣ー￣)……