爬虫最基本的工作流程：内涵社区网站为例

网络爬虫（又被称为网页蜘蛛，网络机器人）就是模拟客户端发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。

只要是浏览器能做的事情，原则上，爬虫都能够做

先来看一下最简单的网络爬虫百度Logo图片提取：

import requests

r = requests.get("https://www.baidu.com/img/bd_logo1.png")

with open("baidu.png","wb") as f:
    f.write(r.content)

接下来按照爬虫基本工作流程提取内涵社区网站文本内容：

1.获取url：

url=http://neihanshequ.com/
headers= {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"}

2.发送请求，接受响应：

r = requests.get(url,headers=headers)
html_str = r.content.decode()

3.提取数据：

'''

				
公交车上，一小伙对着手机打公放点微信语音：“臭小子，你是不是一点也不想你老娘？都不知道陪我聊聊天，回家来看看我...”每点开这段语音，小伙都自言自语说道：“别唠叨啦，我每天都陪你聊天，好不好！想你了，老妈...”一大爷看不下去了，说道：“小伙子！你能不能不循环播这段语音，你要是想你妈了，能不能给她打个电话？”小伙说道：“上个月她走了，就只剩下这段语音了...”
				
'''
t = re.findall(r"
.*?
(.*?)
.*?
",html_str,re.S)

4.保存数据：

with open("neihan.txt","w",encoding="utf-8") as f:
    for i in t:
        f.write(i)
        f.write("\n")

这是最简单的面向过程网站爬取，最终代码如下：

import re
import requests
def Neihan（）：
	url=http://neihanshequ.com/
	headers= {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"}
	r = requests.get(url,headers=headers)
	html_str = r.content.decode()
	'''
	

				
公交车上，一小伙对着手机打公放点微信语音：“臭小子，你是不是一点也不想你老娘？都不知道陪我聊聊天，回家来看看我...”每点开这段语音，小伙都自言自语说道：“别唠叨啦，我每天都陪你聊天，好不好！想你了，老妈...”一大爷看不下去了，说道：“小伙子！你能不能不循环播这段语音，你要是想你妈了，能不能给她打个电话？”小伙说道：“上个月她走了，就只剩下这段语音了...”
				
'''
	t = re.findall(r"
.*?
(.*?)
.*?
",html_str,re.S)
	with open("neihan.txt","w",encoding="utf-8") as f:
    	for i in t:
        	f.write(i)
        	f.write("\n")
Neihan（）

按照面向对象爬取内涵社区网站文本，爬虫工作流程代码如下：

# coding=utf-8
import requests
import re
import json

class Neihan:
    def __init__(self):
        self.start_url = "http://neihanshequ.com/"
        self.headers = {"User-Agent":"Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_0) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36"}
        self.next_url_temp = "http://neihanshequ.com/joke/?is_json=1&app_name=neihanshequ_web&max_time={}"

    def parse_url(self,url): #发送url地址的请求，获取响应
        r = requests.get(url,headers=self.headers)
        return r.content.decode()

    def get_first_page_content_list(self,html_str):
        t = re.findall(r"
.*?
(.*?)
.*?
", html_str, re.S)
        #获取max——time
        max_time = re.findall("max_time: '(.*?)'",html_str,re.S)[0]
        return t,max_time

    def save_content_list(self,content_list): #保存
        for content in content_list:
            print(content)

    def get_content_list(self,html_str):
        dict_response = json.loads(html_str)
        content_list = [i["group"]['text']  for i in dict_response["data"]["data"]]
        max_time = dict_response["data"]["max_time"]
        #获取has_more
        has_more = dict_response["data"]["has_more"]
        return content_list,max_time,has_more

    def run(self):#实现主要逻辑
        #1.start_url
        #2.发送请求，获取响应
        html_str = self.parse_url(self.start_url)
        #3.提取数据
        content_list,max_time = self.get_first_page_content_list(html_str)
        #4.保存
        self.save_content_list(content_list)
        #5.获取第二页的url
        has_more=True
        while has_more:
            next_url = self.next_url_temp.format(max_time)
            html_str = self.parse_url(next_url)  #发送下一页的请求
            content_list,max_time,has_more = self.get_content_list(html_str)#获取json中的段子和max——time
            self.save_content_list(content_list)

if __name__ == '__main__':
    neihan = Neihan()
    neihan.run()