北大青鸟：你需要的python爬虫笔记

〇. python 基础

先放上python 3 的官方文档:https:///3/ (看文档是个好习惯)

关于python 3 基础语法方面的东西,网上有很多,大家可以自行查找.

一. 最简单的爬取程序

爬取百度首页源代码:

来看上面的代码:

?对于python 3来说,urllib是一个非常重要的一个模块，可以非常方便的模拟浏览器访问互联网,对于python 3 爬虫来说, urllib更是一个必不可少的模块,它可以帮助我们方便地处理URL.

?urllib.request是urllib的一个子模块,可以打开和处理一些复杂的网址The urllib.requestmodule defines functions and classes

which help in opening URLs (mostly HTTP) in a complex

world —basic and digest authentication, redirections,

cookies and more.

?urllib.request.urlopen()方法实现了打开url,并返回一个http.client.HTTPResponse对象,通过http.client.HTTPResponse的read()方法,获得response body,转码最后通过print()打印出来.

urllib.request.urlopen(url, data=None,

[timeout, ]***, cafile=None, capath=None, cadefault=Fals

e, context=None)For HTTP and HTTPS URLs, this function

returns a http.client.HTTPResponseobject slightly

modified.< 出自:

https:///3/library/urllib.request.html >

?decode('utf-8')用来将页面转换成utf-8的编码格式，否则会出现乱码二模拟浏览器爬取信息

在访问某些网站的时候，网站通常会用判断访问是否带有头文件来鉴别该访问是否为爬虫，用来作为反爬取的一种策略。

先来看一下Chrome的头信息（F12打开开发者模式）如下：

如图，访问头信息中显示了浏览器以及系统的信息（headers所含信息众多，具体可自行查询）

Python中urllib中的request模块提供了模拟浏览器访问的功能，代码如下：from urllib import request

url = ''

# page = request.Request(url)

# page.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36')

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87

Safari/537.36'}

page = request.Request(url, headers=headers)

page_info = request.urlopen(page).read().decode('utf-8')

print(page_info)

可以通过add_header(key, value) 或者直接以参数的形式和URL一起请求访问，urllib.request.Request()

urllib.request.Request(url, data=None, headers={},

origin_req_host=None, unverifiable=False, method=None)

三爬虫利器Beautiful Soup

Beautiful Soup是一个可以从HTML或XML文件中提取数据的

Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,

修改文档的方式.

文档中的例子其实说的已经比较清楚了，那下面就以爬取简书首页文章的标题一段代码来演示一下：

先来看简书首页的源代码：

可以发现简书首页文章的标题都是在<a/>标签中，并且class='title',所以，通过

find_all('a', 'title')

便可获得所有的文章标题，具体实现代码及结果如下：

# -*- coding:utf-8 -*-

from urllib import request

from bs4 import BeautifulSoup

url = r''

# 模拟真实浏览器进行访问

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87

Safari/537.36'}

page = request.Request(url, headers=headers)

page_info = request.urlopen(page).read()

page_info = page_info.decode('utf-8')

# 将获取到的内容转换成BeautifulSoup格式，并将html.parser作为解析器soup = BeautifulSoup(page_info, 'html.parser')

# 以格式化的形式打印html

# print(soup.prettify())

titles = soup.find_all('a', 'title') # 查找所有a标签中class='title'的语句

# 打印查找到的每一个a标签的string

for title in titles:

print(title.string)

Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,下表列出了主要的解析器,以及它们的优缺点:

四将爬取的信息存储到本地

之前我们都是将爬取的数据直接打印到了控制台上，这样显然不利于我们对数据的分析利用，也不利于保存，所以现在就来看一下如何将爬取的数据存储到本地硬盘。

1 对.txt文件的操作

读写文件是最常见的操作之一，python3 内置了读写文件的函数：open open(file, mode='r', buffering=-1, encoding=None, error

s=None, newline=None, closefd=True, opener=None))O

pen file and return a corresponding file object. If the file

cannot be opened, an OSErroris raised.

其中比较常用的参数为file和mode，参数file为文件的路径，参数mode为操作文件的方式（读/写），函数的返回值为一个file对象，如果文件操作出现异常的话，则会抛出一个OSError

还以简书首页文章题目为例，将爬取到的文章标题存放到一个.txt文件中，具体代码如下：

# -*- coding:utf-8 -*-

from urllib import request

from bs4 import BeautifulSoup

url = r''

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87

Safari/537.36'}

page = request.Request(url, headers=headers)

page_info = request.urlopen(page).read().decode('utf-8')

soup = BeautifulSoup(page_info, 'html.parser')

titles = soup.find_all('a', 'title')

try:

# 在E盘以只写的方式打开/创建一个名为titles 的txt文件file = open(r'E:itles.txt', 'w')

for title in titles:

# 将爬去到的文章题目写入txt中

file.write(title.string + '

')

finally:

if file:

# 关闭文件（很重要）

file.close()

open中mode参数的含义见下表：

其中't'为默认模式，'r'相当于'rt',符号可以叠加使用，像'r+b'

另外，对文件操作一定要注意的一点是：打开的文件一定要关闭，否则会占用相当大的系统资源，所以对文件的操作最好使用try:...finally:...的形式。但是try:...finally:...的形式会使代码显得比较杂乱，所幸python中的with语句可以帮我们自动调用close（）而不需要我们写出来，所以，上面代码中的try:...finally:...可使用下面的with语句来代替：

with open(r'E:itle.txt', 'w') as file:

for title in titles:

file.write(t …… 此处隐藏：3864字，全部文档内容请下载后查看。喜欢就下载吧 ……