Step1 - 最简爬虫
环境准备
Python3.5 最好使用venv
另外需要两个必要的库:
requests : 一个封装了HTTP服务的python库
pyquery : 类似Jquery,使用非常方便
$ pip install requests
$ pip install pyquery
开始
实现第一个应用
我们第一个应用实现的功能主要如下:
访问一个页面,这里我们以 糗事百科(http://www.qiushibaike.com/) 为例
获得页面的内容
进行简单的处理,获得我们需要的内容
import requests
from pyquery import PyQuery as pq
__author__ = 'BONFY CHEN '
SITE = 'http://www.qiushibaike.com/'
r = requests.get(SITE)
assert r.status_code == 200
d = pq(r.text)
contents = d("div .article")
for item in contents:
i = pq(item)
content = i("div .content").text()
print(content)
结果
简单分析
利用 requests.get 获得页面
assert 断言,如果网络问题 访问不到就退出
contents 利用 pyquery 获得所有文章 后续 读取 div class = "content" 的为文本内容 (这里没有处理图片后续的讲解中会完善)
print 输出
完整代码
补充模仿浏览器的Headers,详情见 https://github.com/bonfy/xiaolinBot
欢迎关注及一起交流
请期待下一篇: 代码优化