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。**
登录后复制
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）
立即学习“Python免费学习笔记（深入）”；
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'
登录后复制
因为只需要爬这一页，管理器OK。
html = request.urlopen(url)
登录后复制
调用一下urlopen()函数，下载器OK
Soup = BeautifulSoup(html,"html.parser") baike = Soup.find_all("p",class_='lemma-summary')
登录后复制
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())
登录后复制
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())
登录后复制
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￣)……
以上就是Python3 基础爬虫简介的详细内容，更多请关注【创想鸟】其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至253000106@qq.com举报，一经查实，本站将立刻删除。
发布者：PHP中文网，转转请注明出处：https://www.chuangxiangniao.com/p/2266190.html
