一、前言
爬虫一直是Python的一大应用场景，差不多每门语言都可以写爬虫，但是程序员们却独爱Python。之所以偏爱Python就是因为她简洁的语法，我们使用Python可以很简单的写出一个爬虫程序。本篇博客将以Python语言，用几个非常简单的例子带大家入门Python爬虫。
二、网络爬虫
如果把我们的因特网比作一张复杂的蜘蛛网的话，那我们的爬虫就是一个蜘，我们可以让这个蜘蛛在网上任意爬行，在网中寻找对我们有价值的“猎物”。
1.向服务器发送网络请求2.浏览器接收并处理你的请求3.浏览器返回你需要的数据4.浏览器解析数据，并以网页的形式展现出来
我们可以将上面的过程类比我们的日常购物：
1.和老板说我要杯珍珠奶茶2.老板在店里看看有没有你要的东西3.老板拿出做奶茶的材料4.老板将材料做成奶茶并给你
上面买奶茶的例子虽然有些不恰当的地方，但是我觉得已经能很好的解释什么是网络请求了。
在知道网络请求是什么之后，我们就可以来了解一下什么是爬虫了。实际上爬虫也是网络请求，通常情况下我们通过浏览器，而我们的爬虫则是通过程序来模拟网络请求这一过程。但是这种基础的网络请求还算不上是爬虫，爬虫通常都是有目的的。比如我想写一个爬取美女图片，我们就需要对我们请求到的数据进行一些筛选、匹配，找到对我们有价值的数据。而这一从网络请求到数据爬取这整个过程才是一个完整的爬虫。
有些时候网站的反爬虫做的比较差，我们可以直接在浏览器中找到它的API，我们通过API可以直接获取我们需要的数据，这种相比就要简单许多。
三、简单的爬虫
简单的爬虫就是单纯的网络请求，也可以对请求的数据进行一些简单的处理。Python提供了原生的网络请求模块urllib，还有封装版的requests模块。相比直线requests要更加方便好用，所以本文使用requests进行网络请求。
3.1、爬取一个简单的网页
在我们发送请求的时候，返回的数据多种多样，有HTML代码、json数据、xml数据，还有二进制流。我们先以百度首页为例，进行爬取：
import requests# 以get方法发送请求，返回数据response = requests.get(‘http://www.baidu.com’)# 以二进制写入的方式打开一个文件f = open(‘index.html’, ‘wb’)# 将响应的字节流写入文件f.write(response.content)# 关闭文件f.close()
下面我们看看爬取的网站打开是什么样子的：
这就是我们熟悉的百度页面，上面看起来还是比较完整的。我们再以其它网站为例，可以就是不同的效果了，我们以CSDN为例：
可以看到页面的布局已经完全乱了，而且也丢失了很多东西。学过前端的都知道，一个网页是由html页面还有许多静态文件构成的，而我们爬取的时候只是将HTML代码爬取下来，HTML中链接的静态资源，像css样式和图片文件等都没有爬取，所以会看到这种很奇怪的页面。
3.2、爬取网页中的图片
首先我们需要明确一点，在爬取一些简单的网页时，我们爬取图片或者视频就是匹配出网页中包含的url信息，也就是我们说的网址。然后我们通过这个具体的url进行图片的下载，这样就完成了图片的爬取。我们有如下url：https://img-blog.csdnimg.cn/2020051614361339.jpg，我们将这个图片url来演示下载图片的代码：
import requests# 准备urlurl = ‘https://img-blog.csdnimg.cn/2020051614361339.jpg’# 发送get请求response = requests.get(url)# 以二进制写入的方式打开图片文件f = open(‘test.jpg’, ‘wb’)# 将文件流写入图片f.write(response.content)# 关闭文件f.close()
可以看到，代码和上面网页爬取是一样的，只是打开的文件后缀为jpg。实际上图片、视频、音频这种文件用二进制写入的方式比较恰当，而对应html代码这种文本信息，我们通常直接获取它的文本，获取方式为response.text，在我们获取文本后就可以匹配其中的图片url了。我们以下列http://topit.pro为例：
import reimport requests# 要爬取的网站url = ‘http://topit.pro’# 获取网页源码response = requests.get(url)# 匹配源码中的图片资源results = re.findall(“<img[\\s\\S] ?src=\”(. ?)\””, response.text)# 用于命名的变量name = 0# 遍历结果for result in results: # 在源码中分析出图片资源写的是绝对路径，所以完整url是主站 绝对路径 img_url = url result # 下载图片 f = open(str(name) ‘.jpg’, ‘wb’) f.write(requests.get(img_url).content) f.close() name = 1
上面我们就完成了一个网站的爬取。在匹配时我们用到了正则表达式，因为正则的内容比较多，在这里就不展开了，有兴趣的读者可以自己去了解一下，这里只说一个简单的。Python使用正则是通过re模块实现的，可以调用findall匹配文本中所有符合要求的字符串。该函数传入两个参数，第一个为正则表达式，第二个为要匹配的字符串，对正则不了解的话只需要知道我们使用该正则可以将图片中的src内容拿出来。
四、使用BeautifulSoup解析HTML
BeautifulSoup是一个用来分析XML文件和HTML文件的模块，我们前面使用正则表达式进行模式匹配，但自己写正则表达式是一个比较繁琐的过程，而且容易出错。如果我们把解析工作交给BeautifulSoup会大大减少我们的工作量，在使用之前我们先安装。
4.1、BeautifulSoup的安装和简单使用
我们直接使用pip安装：
pip install beautifulsoup4
模块的导入如下：
from bs4 import BeautifulSoup
下面我们就来看看BeautifulSoup的使用，我们用下面HTML文件测试：
<!DOCTYPE html><html lang=”en”><head> <meta charset=”UTF-8″> <title>Title</title></head><body> <img class=”test” src=”1.jpg”> <img class=”test” src=”2.jpg”> <img class=”test” src=”3.jpg”> <img class=”test” src=”4.jpg”> <img class=”test” src=”5.jpg”> <img class=”test” src=”6.jpg”> <img class=”test” src=”7.jpg”> <img class=”test” src=”8.jpg”></body></html>
上面是一个非常简答的html页面，body内包含了8个img标签，现在我们需要获取它们的src，代码如下：
from bs4 import BeautifulSoup# 读取html文件f = open(‘test.html’, ‘r’)str = f.read()f.close()# 创建BeautifulSoup对象，第一个参数为解析的字符串，第二个参数为解析器soup = BeautifulSoup(str, ‘html.parser’)# 匹配内容，第一个为标签名称，第二个为限定属性，下面表示匹配class为test的img标签img_list = soup.find_all(‘img’, {‘class’:’test’})# 遍历标签 for img in img_list: # 获取img标签的src值 src = img[‘src’] print(src)
解析结果如下：
1.jpg2.jpg3.jpg4.jpg5.jpg6.jpg7.jpg8.jpg
正好就是我们需要的内容。
4.2、BeautifulSoup实战
我们可以针对网页进行解析，解析出其中的src，这样我们就可以进行图片等资源文件的爬取。下面我们用梨视频为例，进行视频的爬取。主页网址如下：https://www.pearvideo.com/。我们右键检查可以看到如下页面：
import requestsfrom bs4 import BeautifulSoup# 主站url = ‘https://www.pearvideo.com/’# 模拟浏览器访问headers = { ‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36’}# 发送请求response = requests.get(url, headers=headers)# 获取BeautifulSoup对象soup = BeautifulSoup(response.text, ‘html.parser’)# 解析出符合要求的a标签video_list = soup.find_all(‘a’, {‘class’:’actwapslide-link’})# 遍历标签for video in video_list: # 获取herf并组拼成完整的url video_url = video[‘href’] video_url = url video_url print(video_url)
输出结果如下：
https://www.pearvideo.com/video_1674906https://www.pearvideo.com/video_1674921https://www.pearvideo.com/video_1674905https://www.pearvideo.com/video_1641829https://www.pearvideo.com/video_1674822
我们只爬取一个就好了，我们进入第一个网址查看源码，发现了这么一句：
var contId=”1674906″,liveStatusUrl=”liveStatus.jsp”,liveSta=””,playSta=”1″,autoPlay=!1,isLiving=!1,isVrVideo=!1,hdflvUrl=””,sdflvUrl=””,hdUrl=””,sdUrl=””,ldUrl=””,srcUrl=”https://video.pearvideo.com/mp4/adshort/20200517/cont-1674906-15146856_adpkg-ad_hd.mp4″,vdoUrl=srcUrl,skinRes=”//www.pearvideo.com/domain/skin”,videoCDN=”//video.pearvideo.com”;
其中srcUrl就包含了视频文件的网站，但是我们肯定不能自己一个网页一个网页自己找，我们可以使用正则表达式：
import re# 获取单个视频网页的源码response = requests.get(video_url)# 匹配视频网址results = re.findall(‘srcUrl=”(.*?)”‘, response.text)# 输出结果print(results)
结果如下：
[‘https://video.pearvideo.com/mp4/adshort/20200516/cont-1674822-14379289-191950_adpkg-ad_hd.mp4’]
然后我们就可以下载这个视频了：
with open(‘result.mp4’, ‘wb’) as f: f.write(requests.get(results[0], headers=headers).content)
完整代码如下：
import reimport requestsfrom bs4 import BeautifulSoup# 主站url = ‘https://www.pearvideo.com/’# 模拟浏览器访问headers = { ‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36’}# 发送请求response = requests.get(url, headers=headers)# 获取BeautifulSoup对象soup = BeautifulSoup(response.text, ‘html.parser’)# 解析出符合要求的a标签video_list = soup.find_all(‘a’, {‘class’:’actwapslide-link’})# 遍历标签video_url = video_list[0][‘href’]response = requests.get(video_url)results = re.findall(‘srcUrl=”(.*?)”‘, response.text)with open(‘result.mp4’, ‘wb’) as f: f.write(requests.get(results[0], headers=headers).content)
到此我们就从简单的网页到图片再到视频实现了几个不同的爬虫。
·················END·················推荐阅读
说说心里话
写给所有数据人。
从留存率业务案例谈0-1的数据指标体系
NB，真PDF神处理工具！
超级菜鸟如何入门数据分析？
