1.爬虫简介
简单来讲，爬虫就是一个探测机器，它的基本 *** 作就是模拟人的行为去各个网站溜达，点点按钮，查查数据，或者把看到的信息背回来。就像一只虫子在一幢楼里不知疲倦地爬来爬去。
互联网就像一张网，中间以各种链接连接在一起，而小小的爬虫却能在这张网上欢快的驰骋，代替人来进行很多繁重的任务，如抢票软件、某度搜索引擎。 2.为什么用python做网页爬虫 python作为一门易上手的语言，提供了丰富的API来抓取网页文档、模拟浏览器行为、对抓取到的数据进行处理。后面我们的演示中也会展示Python爬虫的简介，爬取网页内容的核心代码可能只有短短几行，却能实现强大的功能。 3.python环境配置 对于新手来说，最熟悉的还是windows环境。我使用的是anaconda+pycharm进行python代码的编写，这里anaconda方便进行外部库的管理，而pycharm也是功能强大很流行的一款IDE。详细的配置过程参见博客： anaconda和pycharm的安装与配置 。 4.我需要了解哪些Python爬虫的前置知识 至少会一点python的基础知识，如果不清楚的话，可以参加浙大翁恺的python，或者自己找些介绍文档，如 python入门教程。同时需要了解关于HTML的一些基础知识，比如各种标签代表的含义：你可以简单地想象：每个爬虫都是你的“分身”。就像孙悟空拔了一撮汗毛，吹出一堆猴子一样。
你每天使用的百度，其实就是利用了这种爬虫技术：每天放出无数爬虫到各个网站，把他们的信息抓回来，然后化好淡妆排着小队等你来检索。
抢票软件，就相当于撒出去无数个分身，每一个分身都帮助你不断刷新 12306 网站的火车余票。一旦发现有票，就马上拍下来，然后对你喊：土豪快来付款。--摘自知乎用户 史中
熟悉上面这些HTML标签将会方便我们进行正则表达式的处理，以及xPath和BeautifulSoup的学习。 5. 关于正则表达式 python正则表达式相关知识较多，我们只需要了解一些基础的即可，如： python正则表达式 菜鸟教程 python正则表达式官方文档 6.提取网页内容并用正则表达式处理<!–…–>:定义注释
<!DOCTYPE> ：定义文档类型
<HTML>:HTML文档的总标签
<head>:定义头部
<body>:定义网页内容
<script>:定义脚本
<div>:division，定义分区，容器标签
<p>:paragraph,定义段落
<a>:定义超链接
<span>:定义文本容器
<br>:换行
<form>：定义表单
<table>:定义表格
<th>：定义表头
<tr>：表的行
<td>：表的列
<b>：定义粗体字
<img>：定义图片
import re urllib.request chardetresponse=urllib.request.urlopen("http://news.hit.edu.cn/")#输入参数为你想爬取的网页URLHTML=response.read() #读取到HTML变量中chardet1=chardet.detect(HTML) #获取编码方式HTML=HTML.decode(chardet1['enCoding']) #按照获取到的编码方式进行处理
这里我们以某高校的官方新闻网站为例演示来进行Python爬虫 *** 作，上面短短的几行代码就实现了将网页内容爬取到本地的 *** 作。
接着就是对爬取到的内容进行正则表达式处理，得到我们想要获取的内容，观察网页源代码：
我们希望对其中的外部链接进行匹配，由之前了解到的正则表达式知识，实现如下：
mypatten=<li class=\"link-item\"><a href=\"(.*)\"><span>(.*)</span></a></li>myList=re.findall(mypatten,HTML)for i in myList: print(外部链接地址：%s 网站名：%s" %(i[0],i[1]))
最后得到的效果是：
7.xPath和BeautifulSoup工具简介
除了用正则表达式处理得到的网页文档之外，我们还可以考虑网页自身的架构。
XPath，全称 XML Path Language，即 XML 路径语言，它是一门在XML文档中查找信息的语言。XPath 最初设计是用来搜寻XML文档的，但是它同样适用于 HTML 文档的搜索。
nodename选取此节点的所有子节点
/从当前节点选取直接子节点
//从当前节点选取子孙节点
.选取当前节点
..选取当前节点的父节点
@选取属性
在这里列出了XPath的常用匹配规则，例如 / 代表选取直接子节点，// 代表选择所有子孙节点，. 代表选取当前节点，.. 代表选取当前节点的父节点，@ 则是加了属性的限定，选取匹配属性的特定节点。
from lxml etree chardetresponse=urllib.request.urlopen(https://www.dahe.cn)HTML=response.read()chardet1=chardet.detect(HTML)HTML=HTML.decode(chardet1['])etreeHTML=etree.HTML(HTML)myList=etreeHTML.xpath(/HTML/body/div/div/div/div/div/ul/div/li")
BeautifulSoup4是爬虫必学的技能。BeautifulSoup最主要的功能是从网页抓取数据，Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。
from bs4 BeautifulSoup file = open(./aa.HTML',rb) HTML = file.read() bs = BeautifulSoup(HTML,1)">HTML.parser") # 缩进格式print(bs.prettify()) 格式化HTML结构print(bs.Title) 获取Title标签的名称print(bs.Title.name) 获取Title标签的文本内容print(bs.Title.string) 获取head标签的所有内容print(bs.head) 获取第一个div标签中的所有内容print(bs.div) 获取第一个div标签的ID的值print(bs.div[ID"]) 获取第一个a标签中的所有内容print(bs.a) 获取所有的a标签中的所有内容print(bs.find_all(a")) 获取ID="u1"print(bs.find(ID=u1 获取所有的a标签，并遍历打印a标签中的href的值for item in bs.find_all(): print(item.get(href 获取所有的a标签，并遍历打印a标签的文本值print(item.get_text())
总结
以上是内存溢出为你收集整理的python爬虫零基础实战全部内容，希望文章能够帮你解决python爬虫零基础实战所遇到的程序开发问题。
如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）