挑战30天学完Python：Day22 爬虫

🎉 本系列为Python基础学习，原稿来源于 30-Days-Of-Python 英文项目，大奇主要是对其本地化翻译、逐条验证和补充，想通过30天完成正儿八经的系统化实践。此系列适合零基础同学，或仅了解Python一点知识，但又没有系统学习的使用者。总之如果你想提升自己的Python技能，欢迎加入《挑战30天学完Python》

• 📘 Day 22
  • Python爬虫
  • 💻 第22天练习

📘 Day 22

Python爬虫

什么是数据抓取

互联网上充满了大量的数据，可以应用于不同的目的。为了收集这些数据，我们需要知道如何从一个网站抓取这些数据。

网络抓取本质上是从网站中提取和收集数据，并将其存储在本地机器或数据库中的过程。

在本节中，我们将使用 beautifulsoup 和 requests 包来抓取数据。

友情提醒：数据抓取不合法，本篇内容请仅用于测试和学习用。

如果你的Python环境中还没如下两个库，请用pip进行安装。

pip install requests
pip install beautifulsoup4
1
2

要从网站抓取数据，需要对HTML标记和CSS选择器有基本的了解。我们使用HTML标签，类或id定位来自网站的内容。

首先导入 requests 和 BeautifulSoup 模块

import requests
from bs4 import BeautifulSoup
1
2

接着将需要抓取的网页地址赋值给一个url变量，以下我们以手机新浪首页为例子。

import requests
from bs4 import BeautifulSoup
url = 'http://wap.sina.cn/'

# 让我们使用网络请求url，获取返回的数据
response = requests.get(url)
# 检查返回状态，200表示正常
status = response.status_code
print(status)
1
2
3
4
5
6
7
8
9
10

200
1

使用 beautifulSoup 解析页面内容。

import requests
import re
from bs4 import BeautifulSoup
url = 'http://wap.sina.cn/'

response = requests.get(url)
# 获取请求页面的所有内容
content = response.content
# 加载成beautiful对象
soup = BeautifulSoup(content, 'html.parser')
#解析标题并打印
print(soup.title)
# 获取标题里内容
print("《" + soup.title.get_text() + "》")
# 网站整个页面
# print(soup.body)
# 寻找要闻片段（通过网页右键查看源代码）
yaowen = soup.find(id="yaowen_defense")
# 要闻对象中查找所有
标签，并循环获取概要标题
for h2 in yaowen.find_all('h2'):
    print(h2.contents[0])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

如果运行这段代码，可以看到提取到了所有的新闻标题。

本节只是抛砖隐喻，并不是python基础学习中核心部分。不过多展开，更多参考官方文档 beautifulsoup documentation

🌕 你如此有能力，每一天都在进步，挑战还剩余8天，加油！本篇内容虽少，但练习不能少。

💻 第22天练习

1. 抓取豆瓣电影排行版中电影前10个电影的基本信息 https://movie.douban.com/chart。
2. 从Python网络爬虫靶场 http://www.spiderbuf.cn/ 选择任意一个无反扒的网站进行表数据获取。

练习参考：22_exercise.py

🎉 CONGRATULATIONS ! 🎉

<< Day 21 | Day 23 >>