一天就能写 Python 爬虫

学习视频地址
代码参考（Python3.4）

成功截图

遇见了一些坑，特别是字符编码的问题，比较蛋疼，找了一下午。

基本流程

爬虫调度端 -> URL管理器 -> 网页下载器 -> 网页解析器  -> 有价值数据
              ↑                          |
              ↑--------------------------|

URL管理器

管理待抓取URL集合和已抓取集合

网页下载器

将网络上的HTML文件下载下来

第一种方式

import urllib2

# 直接请求
response = urllib2.urlopen('http://www.baidu.com')

# 获取状态码，如果是 200 表示获取成功
print response.getcode()

# 读取内容
cont = response.read()

第二种方式

import urllib2

# 创建 Request 对象
request = urllib2.Request(url)

# 添加数据
request.add_data('a','1')

# 添加 Http 的 Header
request.add_header('User-Agent','Mozilla/5.0')

# 发送请求获取结果
response = urllib2.urlopen(request)

第三种方式

import urllib2, cookielib

# 创建 Cookie 容器
cj = cookielib.CookieJar()

# 创建 1 个 opener
opener = urllib2.build_opener(urllib2.HTTPCookieProcessor(cj))

# 给 urllib2 安装 opener
urllib2.install_opener(opener)

# 使用带有 cookie 的 urllib2 访问网页
response = urllib2.urlopen('http://www.baidu.com')

网页解析器

• 正则表达式
• html.parser
• Beautiful Soup
• lxml

第一种是模糊匹配，后三者会解析成DOM树，再进行一些操作。

Beautiful Soup 文档

http://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/
文档中显示例子在Python2.7和Python3.2中的执行结果相同，所以大家不用担心版本问题
使用命令安装 pip install beautifusoup4

简单使用

from bs4 import BeautifulSoup

soup = BeautifulSoup(
    html_doc,             # HTML 文档字符
    'html.parse'          # HTML 解析器
    from_encoding='utf8'  # HTML 文档的编码
)

# 查找所有标签为 a 的节点
soup.find_all('a')

# 查找所有标签为a，链接符合 /view/123.html 形式的节点
soup.find_all('a',href='/view/123.html')
soup.find_all('a',href=re.compile(r'/view/\d+\.html'))

# 查找所有标签为 div， class 为 abc ，文字为 Python 的节点
soup.find_all('div',class_='abc',string='Python')

# 假如得到节点 Python

# 获取查到节点的标签名称
node.name

# 获取查到节点的 href 属性
node['href']

# 获取查到链接的文字
node.get_text()

# 官网上的 demo
from bs4 import BeautifulSoup


html_doc = """


The Dormouse's story

Once upon a time there were three little sisters; and their names were
Elsie,
Lacie and
Tillie;
and they lived at the bottom of a well.

...
"""

soup = BeautifulSoup(html_doc,"html.parser")

print(soup.find_all('a'))