所謂網(wǎng)絡(luò)爬蟲(chóng)仪媒，通俗的講狸眼，就是通過(guò)向我們需要的URL發(fā)出http請(qǐng)求藤树，獲取該URL對(duì)應(yīng)的http報(bào)文主體內(nèi)容，之后提取該報(bào)文主體中我們所需要的信息拓萌。所以岁钓，想要學(xué)習(xí)python爬蟲(chóng)，需要具備一些http的基礎(chǔ)知識(shí)微王，熟悉http請(qǐng)求的基本過(guò)程屡限。在本文中，首先會(huì)簡(jiǎn)單的介紹一下http請(qǐng)求的基本流程炕倘，之后介紹python的requests庫(kù)钧大，requests庫(kù)可以方便地幫助我們完成http請(qǐng)求。因?yàn)楸疚慕榻B的是爬取靜態(tài)網(wǎng)頁(yè)罩旋，所以請(qǐng)求相應(yīng)的URL之后啊央，我們需要對(duì)其中的信息進(jìn)行提取，這時(shí)候就需要BeautifulSoup庫(kù)涨醋，它可以輕松的找出我們需要的信息瓜饥，當(dāng)然，有時(shí)候借助正則表達(dá)式會(huì)更快地幫助我們抽取網(wǎng)頁(yè)中我們需要的信息浴骂。最后乓土，我們會(huì)通過(guò)一個(gè)例子，對(duì)靜態(tài)網(wǎng)頁(yè)的爬取過(guò)程做一個(gè)具體的實(shí)現(xiàn)溯警。
http基本知識(shí)
當(dāng)我們通過(guò)瀏覽器訪問(wèn)指定的URL時(shí)趣苏，需要遵守http協(xié)議。本節(jié)將介紹一些關(guān)于http的基礎(chǔ)知識(shí)梯轻。
http基本流程
我們打開(kāi)一個(gè)網(wǎng)頁(yè)的過(guò)程食磕，就是一次http請(qǐng)求的過(guò)程。這個(gè)過(guò)程中喳挑，我們自己的主機(jī)充當(dāng)著客戶機(jī)的作用芬为，而充當(dāng)客戶端的是瀏覽器萄金。我們輸入的URL對(duì)應(yīng)著網(wǎng)絡(luò)中某臺(tái)服務(wù)器上面的資源，服務(wù)器接收到客戶端發(fā)出的http請(qǐng)求之后媚朦，會(huì)給客戶端一個(gè)響應(yīng)氧敢，響應(yīng)的內(nèi)容就是請(qǐng)求的URL對(duì)應(yīng)的內(nèi)容，當(dāng)客戶端接收到服務(wù)器的響應(yīng)時(shí)询张，我們就可以在瀏覽器上看見(jiàn)請(qǐng)求的信息了孙乖。這一過(guò)程如下圖所示：
知道了http的基本請(qǐng)求過(guò)程，就可以通過(guò)代碼進(jìn)行體驗(yàn)了份氧。
通過(guò)requests發(fā)起http請(qǐng)求
我們可以通過(guò)python的requests模塊很方便的發(fā)起http請(qǐng)求唯袄。requests模塊是第三方模塊，安裝完成之后直接import就能使用蜗帜。下面介紹一些簡(jiǎn)單的用法恋拷，更多的使用方法可以參考如下鏈接：
requests
發(fā)起請(qǐng)求
import requests
# 請(qǐng)求的首部信息
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
}
# 例子的url
url = 'https://voice.hupu.com/nba' # 虎撲nba新聞
# 利用requests對(duì)象的get方法，對(duì)指定的url發(fā)起請(qǐng)求
# 該方法會(huì)返回一個(gè)Response對(duì)象
res = requests.get(url, headers=headers)
# 通過(guò)Response對(duì)象的text方法獲取網(wǎng)頁(yè)的文本信息
print(res.text)
上面的代碼中厅缺，我們向虎撲的服務(wù)器發(fā)送了一個(gè)get請(qǐng)求蔬顾，獲取虎撲首頁(yè)的nba新聞。headers參數(shù)指的是http請(qǐng)求的首部信息湘捎，我們請(qǐng)求的url對(duì)應(yīng)的資源是虎撲nba新聞的首頁(yè)诀豁。獲取到對(duì)應(yīng)的網(wǎng)頁(yè)資源之后，我們需要對(duì)其中的信息進(jìn)行提取窥妇。
通過(guò)BeautifulSoup提取網(wǎng)頁(yè)信息
BeautifulSoup庫(kù)提供了很多解析html的方法舷胜，可以幫助我們很方便地提取我們需要的內(nèi)容。我們這里說(shuō)的BeautifulSoup指的是bs4活翩。當(dāng)我們成功抓取網(wǎng)頁(yè)之后烹骨，就可以通過(guò)BeautifulSoup對(duì)象對(duì)網(wǎng)頁(yè)內(nèi)容進(jìn)行解析。在BeautifulSoup中材泄，我們最常用的方法就是find()方法和find_all()方法沮焕，借助于這兩個(gè)方法，可以輕松地獲取到我們需要的標(biāo)簽或者標(biāo)簽組脸爱。關(guān)于其他的方法遇汞，可以參考bs4的官方文檔：BeautifulSoup
find()方法和find_all()方法的用法如下：
find(name , attrs , recursive , string , **kwargs )
# find_all()方法將返回文檔中符合條件的所有tag未妹，
find_all(name , attrs , recursive , string , **kwargs )
大多情況下我們只會(huì)用到前兩個(gè)參數(shù)簿废。具體用法如下：
from bs4 import BeautifulSoup
# BeautifulSoup對(duì)象接收html文檔字符串
# lxml是html解析器
soup = Beautiful(res.text, 'lxml')
# 下面的方法找出了所有class為hello的span標(biāo)簽
# 并將所有的結(jié)果都放入一個(gè)list返回
tags = soup.find_all('span', {'class': 'hello'})
在我們真正開(kāi)始爬蟲(chóng)的時(shí)候，還需要對(duì)網(wǎng)頁(yè)的DOM結(jié)構(gòu)進(jìn)行分析络它，這樣才能知道應(yīng)該如何提取我們需要的信息族檬，下面將會(huì)結(jié)合一個(gè)例子對(duì)DOM結(jié)構(gòu)進(jìn)行分析。
靜態(tài)網(wǎng)頁(yè)爬蟲(chóng)實(shí)戰(zhàn)
在本節(jié)的例子里面化戳，我們將對(duì)虎撲nba首頁(yè)所有新聞的標(biāo)題和來(lái)源進(jìn)行爬取单料。首先我們導(dǎo)入我們所需要的requests和bs4模塊埋凯，然后向目標(biāo)url發(fā)出get請(qǐng)求獲取首頁(yè)的html文檔。具體如下：
import requests
from bs4 import BeautifulSoup
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
}
url = 'https://voice.hupu.com/nba' # 虎撲nba新聞
res = requests.get(url, headers=headers)
我們的目的是提取新聞的標(biāo)題和來(lái)源扫尖，所以下一步需要對(duì)新聞首頁(yè)的DOM結(jié)構(gòu)進(jìn)行分析白对。給出新聞首頁(yè)的截圖如下：
畫(huà)紅線的部分就是我們要爬取的信息，下面通過(guò)chrome控制臺(tái)對(duì)DOM結(jié)構(gòu)進(jìn)行分析换怖。結(jié)果如下圖：
本著從特殊到一般的思路進(jìn)行搜索甩恼，通過(guò)一個(gè)新聞信息進(jìn)行分析，找出所有新聞的共性沉颂。通過(guò)分析發(fā)現(xiàn)条摸，我們需要的標(biāo)題信息是一個(gè)a標(biāo)簽對(duì)應(yīng)的內(nèi)容，然后我們需要向上進(jìn)行搜索铸屉，可見(jiàn)標(biāo)題信息的上一級(jí)是一個(gè)h4標(biāo)簽钉蒲，h4標(biāo)簽的上一級(jí)是一個(gè)class屬性值為list-hd的div標(biāo)簽，這個(gè)div的上一級(jí)是一個(gè)li標(biāo)簽彻坛。用通過(guò)同樣的思路對(duì)來(lái)源信息進(jìn)行分析顷啼，我們發(fā)現(xiàn)，新聞標(biāo)題信息和新聞來(lái)源信息都在一個(gè)li標(biāo)簽下面小压，進(jìn)一步可以發(fā)現(xiàn)线梗，其他的新聞信息都在這類(lèi)li標(biāo)簽下，這些li標(biāo)簽都在class屬性值為news-list的div標(biāo)簽下怠益，而且整片文檔中仪搔，class屬性值為news-list的div標(biāo)簽也只有這一個(gè)。
因此蜻牢，我們可以從這個(gè)div入手烤咧，找到這個(gè)標(biāo)簽下的每一個(gè)li標(biāo)簽，對(duì)每一個(gè)li標(biāo)簽進(jìn)行遍歷抢呆，每一個(gè)li標(biāo)簽下有唯一的h4標(biāo)簽煮嫌，該標(biāo)簽的文本即為我們要找的標(biāo)題信息；另外抱虐，每一個(gè)li標(biāo)簽下也僅僅有一個(gè)class屬性值為comeFrom的span標(biāo)簽昌阿，該span標(biāo)簽下的a標(biāo)簽對(duì)應(yīng)的文本就是來(lái)源信息。分析結(jié)束之后恳邀，我們就可以通過(guò)bs4進(jìn)行信息提取了懦冰。代碼如下：
soup = BeautifulSoup(res.text, 'lxml')
# 找出class屬性值為news-list的div
news_list = soup.find('div', {'class': 'news-list'})
# 找出news_list下的所有l(wèi)i標(biāo)簽
news = news_list.find_all('li')
news_titles = []
news_source = []
# 遍歷news
for i in news:
try:
# 提取新聞標(biāo)題
title = i.find('h4').get_text().strip()
# 提取新聞來(lái)源
source = i.find('span', {'class': 'comeFrom'}).find('a').get_text().strip()
# 存儲(chǔ)爬取結(jié)果
news_titles.append(title)
news_source.append(source)
print('新聞標(biāo)題：', title)
print('新聞來(lái)源：', source)
print()
except AttributeError as e:
continue
爬取結(jié)果如下圖：
如有錯(cuò)誤，還請(qǐng)指正
