【爬虫教程】吐血整理，最详细的爬虫入门教程~

初识爬虫

学习爬虫之前，我们首先得了解什么是爬虫。
来自于百度百科的解释：

网络爬虫（又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

通俗来讲，假如你需要互联网上的信息，如商品价格，图片视频资源等，但你又不想或者不能自己一个一个自己去打开网页收集，这时候你便写了一个程序，让程序按照你指定好的规则去互联网上收集信息，这便是爬虫，我们熟知的**百度，谷歌等搜索引擎背后其实也是一个巨大的爬虫。

爬虫合法吗？
可能很多小伙伴都会又这个疑问，首先爬虫是一门技术，技术应该是中立的，合不合法其实取决于你使用目的，是由爬虫背后的人来决定的，而不是爬虫来决定的。另外我们爬取信息的时候也可以稍微**‘克制’**一下，能拿到自己想要的信息就够了，没必要对着人家一直撸，看看我们的12306都被逼成啥样了🤧🤧🤧。
一般来说只要不影响人家网站的正常运转，也不是出于商业目的，人家一般也就只会封下的IP，账号之类的，不至于法律风险👌。
其实大部分网站都会有一个robots协议，在网站的根目录下会有个robots.txt的文件，里面写明了网站里面哪些内容可以抓取，哪些不允许。
以淘宝为例——https://www.taobao.com/robots.txt
淘宝Robots协议部分内容

当然robots协议本身也只是一个业内的约定，是不具有法律意义的，所以遵不遵守呢也只能取决于用户本身的底线了。

Why Python

很多人提到爬虫就会想到Python，其实除了Python，其他的语言诸如C，PHP，Java等等都可以写爬虫，而且一般来说这些语言的执行效率还要比Python要高，但为什么目前来说，Python渐渐成为了写很多人写爬虫的第一选择，我简单总结了以下几点：

开发效率高，代码简洁，一行代码就可完成请求，100行可以完成一个复杂的爬虫任务；
爬虫对于代码执行效率要求不高，网站IO才是最影响爬虫效率的。如一个网页请求可能需要100ms，数据处理10ms还是1ms影响不大；
非常多优秀的第三方库，如requests，beautifulsoup，selenium等等；
本文后续内容也将会以Python作为基础来进行讲解。

环境准备

Python安装，这部分可以参考我之前的文章Python环境配置&Pycharm安装，去官网下载对应的安装包，一路Next安装就行了；
pip安装，pip是Python的包管理器，现在的Python安装包一般都会自带pip，不需要自己再去额外安装了；
requests，beautifulsoup库的安装，通过以下语句来完成安装：
pip install requests
pip install beautifulsoup4
谷歌浏览器（chrome）；

第三方库介绍

requests

官方中文文档：https://2.python-requests.org/zh_CN/latest/

requests应该是用Python写爬虫用到最多的库了，同时requests也是目前Github上star✨最多的Python开源项目。
requests在爬虫中一般用于来处理网络请求，接下来会用通过简单的示例来展示requests的基本用法。

首先我们需要倒入requests模块；

import requests

接着我们尝试向baidu发起请求；

r = requests.get('https://www.baidu.com/')

我们现在获得来命名为r的response对象，从这个对象中我们便可以获取到很多信息，如：

状态码，200即为请求成功
页面Html5代码

# 返回请求状态码，200即为请求成功
print(r.status_code)# 返回页面代码
print(r.text)# 对于特定类型请求，如Ajax请求返回的json数据
print(r.json())

当然对于大部分网站都会需要你表明你的身份，我们一般正常访问网站都会附带一个请求头（headers）信息，里面包含了你的浏览器，编码等内容，网站会通过这部分信息来判断你的身份，所以我们一般写爬虫也加上一个headers；

# 添加headers
headers = {'User-Agent': 'Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit'}
r = requests.get('https://www.baidu.com/', headers=headers)

针对post请求，也是一样简单；

# 添加headers
headers = {'User-Agent': 'Mozilla/5.0 (iPhone; CPU iPhone OS 11_0 like Mac OS X) AppleWebKit'}# post请求
data = {'users': 'abc', 'password': '123'}
r = requests.post('https://www.weibo.com', data=data, headers=headers)

很多时候等于需要登录的站点我们可能需要保持一个会话，不然每次请求都先登录一遍效率太低，在requests里面一样很简单；

# 保持会话
# 新建一个session对象
sess = requests.session()
# 先完成登录
sess.post('maybe a login url', data=data, headers=headers)
# 然后再在这个会话下去访问其他的网址
sess.get('other urls')

beautifulsoup

当我们通过requests获取到整个页面的html5代码之后，我们还得进一步处理，因为我们需要的往往只是整个页面上的一小部分数据，所以我们需要对页面代码html5解析然后筛选提取出我们想要对数据，这时候beautifulsoup便派上用场了。
beautifulsoup之后通过标签+属性的方式来进行定位，譬如说我们想要百度的logo，我们查看页面的html5代码，我们可以发现logo图片是在一个div的标签下，然后class=index-logo-srcnew这个属性下。

所以我们如果需要定位logo图片的话便可以通过div和class=index-logo-srcnew来进行定位。
下面也会提供一些简单的示例来说明beautifulsoup的基本用法：

导入beautifulsou模块；

from bs4 import BeautifulSoup

对页面代码进行解析，这边选用对html代码是官方示例中使用的***爱丽丝***页面代码；

html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
# 选用lxml解析器来解析
soup = BeautifulSoup(html, 'lxml')

我们现在获得一个命名为soup的Beautifulsoup对象，从这个对象中我们便能定位出我们想要的信息，如：

# 获取标题
print(soup.title)# 获取文本
print(soup.title.text)# 通过标签定位
print(soup.find_all('a'))# 通过属性定位
print(soup.find_all(attrs={'id': 'link1'}))# 标签 + 属性定位
print(soup.find_all('a', id='link1'))

打印结果如下：

<title>The Dormouse's story</title>
The Dormouse's story
[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

案例分享

获取17173新游频道下游戏名

定位我们所需要的信息，记住html里面的位置。

这边可以分享一个小技巧，以前我刚开始写爬虫的时候，寻找代码里面的信息都是先去把整个页面给down下来，然后再在里面Ctrl+F查找，其实大部分浏览器都提供了很简单的方法来定位页面代码位置的，这边会以Chrome浏览器为例。

为了方便理解录制了一个gif，具体步骤如下：

F12打开控制台，选择element标签查看页面代码；
点击控制台左上角箭头，然后点击页面上我们需要的信息，我们可以看到控制台中页面代码直接跳转到对应的位置；
页面代码中一直向上选择标签直至囊括我们需要的所有信息；
记住此时的标签以及熟悉等信息，这将会用于后面解析筛选数据。

接下来便可以开始敲代码了，完整代码如下，对于每个步骤均有详细的注释：

from bs4 import BeautifulSoup
import requests# 页面url地址
url = 'http://newgame.17173.com/game-list-0-0-0-0-0-0-0-0-0-0-1-2.html'# 发送请求，r为页面响应
r = requests.get(url)# r.text获取页面代码
# 使用lxml解析页面代码
soup = BeautifulSoup(r.text, 'lxml')# 两次定位，先找到整个信息区域
info_list = soup.find_all(attrs={'class': 'ptlist ptlist-pc'})# 在此区域内获取游戏名，find_all返回的是list
tit_list = info_list[0].find_all(attrs={'class': 'tit'})# 遍历获取游戏名
# .text可获取文本内容，替换掉文章中的换行符
for title in tit_list:print(title.text.replace('\n', ''))

获取拉勾网职位信息

目前很多网站上的信息都是通过Ajax动态加载的，譬如当你翻看某电商网站的评论，当你点击下一页的时候，网址并没发生变化，但上面的评论都变了，这其实就是通过Ajax动态加载出来的。
这里的下一页➡️按钮并不是只想另外一个页面，而是会在后台发送一个请求，服务器接收到这个请求之后会在当前页面上渲染出来。
其实我自己是比较偏爱爬这种类型的数据的，因为统计Ajax请求返回来的数据都是非常规整的json数据，不需要我们去写复杂的表达式去解析了。
接下来我们将会通过一个拉勾网职位信息的爬虫来说明这类网站的爬取流程：

F12打开控制台，然后搜索‘数据分析’，注意一定是先打开控制台，然后再去搜索，不然请求信息是没有记录下来的。
然后我们去Network标签下的XHR下查找我们需要的请求（动态加载的数请求都是在XHR下）；
然后我们切换到headers标签下，我们可以看到请求的地址和所需到参数等信息；
实验几次之后我们便能发现这三个参数的含义分别是：

first：是否首页
pn：页码
kd：搜索关键词

正常来说我们直接向这个网址传first, pn,kd三个参数就好了，不过尝试了几次之后发现拉勾有如下比较有意思的限制：
- headers里面referer参数是必须的，referer是向服务器表示你是从哪个页面跳转过来的；
- 必须得先访问这个referer的网址，然后再去请求职位信息的API。

代码如下，也很简单，不过三十几行：

import requestsclass Config:kd = '数据分析'referer = 'https://www.lagou.com/jobs/list_%E6%95%B0%E6%8D%AE%E5%88%86%E6%9E%90?labelWords=&fromSearch=true&suginput='headers = {'Accept': 'application/json, text/javascript, */*; q=0.01','Referer': referer,'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/''537.36 (KHTML, like Gecko) Chrome/60.0.3112.113 Safari/537.36'}class Spider:def __init__(self, kd=Config.kd):self.kd = kdself.url = Config.refererself.api = 'https://www.lagou.com/jobs/positionAjax.json'# 必须先请求referer网址self.sess = requests.session()self.sess.get(self.url, headers=Config.headers)def get_position(self, pn):data = {'first': 'true','pn': str(pn),'kd': self.kd}# 向API发起POST请求r = self.sess.post(self.api, headers=Config.headers, data=data)# 直接.json()解析数据return r.json()['content']['positionResult']['result']def engine(self, total_pn):for pn in range(1, total_pn + 1):results = self.get_position(pn)for pos in results:print(pos['positionName'], pos['companyShortName'], pos['workYear'], pos['salary'])if __name__ == '__main__':lagou = Spider()lagou.engine(2)

附上执行结果：

数据分析-客服中心(J10558) 哈啰出行 3-5年 9k-15k
大数据分析师 建信金科 3-5年 16k-30k
......
数据分析师-【快影】 快手 3-5年 15k-30k
数据分析师（业务分析）-【商业化】 快手 3-5年 20k-40k
数据分析师 思创客 1-3年 6k-12k

全文完～～

查看全文
如若内容造成侵权/违法违规/事实不符，请联系编程学习网邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！

activity 和 activitygroup 中的activity生命周期
其实，Activity的生命周期已经没什么好说的了，这要是Android入了门的都应该知道。主要是ActivityGroup的生命周期以及ActivityGroup和Activity并存的时候生命周期的改变。 ActivityGroup的生命周期的方法就onCreat()、onResume()、onPause()、onStop()、onDestroy()5个…...
2024/4/27 15:13:34
iOS13 Scene Delegate详解
iOS13 项目中的SceneDelegate类有什么作用？自从Xcode11发布以来，当你使用新XCode创建一个新的iOS项目时，SceneDelegate会被默认创建，它到底有什么用呢。在本文中，我们将深入探讨iOS 13和Xcode 11的一些变化。我们将重点关注SceneDelegate和AppDelegate，以及它们如何影响S…...
2024/4/27 16:27:07
笔记：《高效能人士的七个习惯》第一章由内而外全面造就自己
1、品德成功论提醒人们，高效能德生活是有基本原则的，只有当人们学会并遵循这些原则，把他们融入到自己的品格中去，才能享受真正的成功与恒久的幸福。 2、没有正确的人生，就没有真正卓越的人生。——戴维斯塔乔丹（DavidStarrJordan）美国生物学家及教育家 3、不论我们多么注…...
2024/4/27 18:38:30
Binder进程间通信系统第一篇-----Binder机制原理简述
本文只作为了解 Binder机制的私人笔记，拜读了很多大神的博客，从中提炼总结如下文：参考自大神 https://zhuanlan.zhihu.com/p/35519585 参考自大神 https://blog.csdn.net/carson_ho/article/details/73560642 一前言二 Linux传统的进程间通信原理简述2.1 Liunx 中跨进程…...
2024/4/27 16:32:18
最全 jdbc从入门到精通
JDBC是什么？ jdbc是 java数据库连接(java DataBase Connectivity)技术的简称，由一组使用java语言编写的类与接口组成，可以为多种关系数据库提供统一访问。没有使用jdbc之前操作数据库的操作 1> 通过MySQL的客户端工具，登录数据库服务器（mysql -u root -p 密码）; 2>…...
2024/4/18 0:46:47
UIBUTTON titlelabel.text 不显示
参考网页：http://www.cocoachina.com/bbs/simple/?t13267.html button.titlelabel.text=@"查询";设置后运行发现没事正确显示。查找后原来UIButton分状态的，textLabel不管用[button setTitle:@"查询" forState:UIControlStateNormal]; 需要设置title和…...
2024/4/26 23:15:05
爬虫_微信小程序社区教程（crawlspider）
照着敲了一遍，，，需要使用"LinkExtrator"和"Rule"，这两个东西决定爬虫的走向。 1.allow设置规则的方法：要能够限制在我们想要的url上，不要跟其他的url产生相同的正则表达式即可 2.什么情况下使用follow：如果要爬取页面的时候，需要将满足当前条件的…...
2024/4/27 17:03:14
android 在ActivityGroup里执行跳转
android 在ActivityGroup里执行跳转 2011-05-18 13:17在工作中使用ActivityGroup的时候犯了一个严重的错误，后来经过头的点播，才豁然开朗，明白了这中间的道理，现在这些心得记录下来。在刚开始接触ActivityGroup的时候我把它当成了J2EE中的框架集（framset）来使用，framset…...
2024/4/27 16:08:10
《高效能人士的七个习惯》总结
在网上看到这本书的时候，一直以为就只有短短几句话而已，前几天工资总监也向大家推荐了这本书，网上再搜了一下，没想到是一本足足有将近300页的书。看了一下书评，确实很高，一下子来了阅读的兴趣。作者在正式介绍7个习惯之前，用了大篇幅先介绍了一个思维定势的感念。这个思…...
2024/4/27 14:24:10
JVM学习笔记—类的加载
1.类加载机制 1.1 三种类加载器Bootstarp loader(核心加载器) Extension class loader（扩展加载器） Applation class loader （应用加载器）1.2 JVM 如何找到class文件读取java.calss.path配置文件，找到class文件 1.3 类不会重复加载 1.4 类的卸载类的卸载满足两个条件类的…...
2024/4/27 18:56:14
浅谈Service Manager成为Android进程间通信（IPC）机制Binder守护进程之路
上一篇文章Android进程间通信（IPC）机制Binder简要介绍和学习计划简要介绍了Android系统进程间通信机制Binder的总体架构，它由Client、Server、Service Manager和驱动程序Binder四个组件构成。本文着重介绍组件Service Manager，它是整个Binder机制的守护进程，用来管理开发者…...
2024/4/18 15:44:45
JAVA从入门到精通
Java Learning Path （一）、工具篇一、 JDK (Java Development Kit) JDK是整个Java的核心，包括了Java运行环境（Java Runtime Envirnment），一堆Java工具和Java基础的类库(rt.jar)。不论什么Java应用服务器实质都是内置了某个版本的JDK。因此掌握JDK是学好Java的第一步。最…...
2024/4/27 18:19:03
爬虫究竟是合法还是违法的？
据说互联网上 50%以上的流量都是爬虫创造的，也许你看到很多热门数据都是爬虫所创造的，所以可以说无爬虫就无互联网的繁荣。前天写了一篇文章，讲述程序员因写爬虫而被刑侦的事件。文章传播很广，评论中讨论最热是：爬虫究竟是合法还是违法的？这个话题涉及到我们很多程序员的…...
2024/4/19 20:52:36
led灯闪烁实验
LED灯闪烁原理利用循环让D1 指示灯先亮一会后熄灭。再加上依据人的肉眼余晖效应，利用延时，延时时间不能太短，否则就没法观察。代码中涉及的常用预处理命令 1.#typedef 的使用：重新定义一些常用的关键词，可以增强程序的可移植性，； typedef 与 #define 的区别 typedef…...
2024/4/19 4:03:44
input type="button" 和button区别
来源：https://www.jianshu.com/p/687aabeedae5在一个页面上画一个按钮，有四种办法：1、 <input type=”button” /> 这就是一个按钮。如果你不写javascript 的话，按下去什么也不会发生。2、 <input type=”submit” />这样的按钮用户点击之后会自动提交 form，…...
2024/4/20 15:09:09
使用ActivityGroup时，如何保存Activity状态、如何使用子Activity的Menu？
由于很多朋友觉得，TabHost限制太多，发挥余地不大，所以都会使用ActivityGroup来代替TabHost。但是在使用ActivityGroup时，很多朋友可能也碰上了标题中的问题。下面简单讲一下解决办法。1. 使用ActivityGroup时，如何保存Activity状态？其实很简单, 只要像下面这样来加载Ac…...
2024/4/19 9:05:17
走进Android Binder机制（驱动篇下）
我们接着上一篇继续。内存映射（mmap）在打开Binder设备之后，进程还会通过mmap进行内存映射。mmap的作用有如下两个：申请一块内存空间，用来接收Binder通信过程中的数据对这块内存进行地址映射，以便将来访问binder_mmap函数对应了mmap系统调用的处理，这个函数也是Binder驱动…...
2024/4/17 4:31:39
北风网web开发资深讲师李炎恢出品--ASP系列课程从入门到精通
北风网web开发资深讲师李炎恢出品--ASP系列课程从入门到精通 http://www.verycd.com/topics/2755115/ 中文名: 北风网web开发资深讲师李炎恢出品--ASP系列课程从入门到精通--(已完结|共200课时)--陆续更新中别名: 李炎恢讲师ASP系列课程资源格式: 压缩包发行时间: 2009年10月…...
2024/4/17 23:46:29
生成多种随机验证码
工具类/*** 生成任意长度指定类型验证码** @param length* @param codeEnum* @return*/public static String getVerifyCode(int length, VerifyCodeEnum codeEnum) {StringBuffer code = new StringBuffer(SysConstants.DEFAULT_VERIFY_CODE);switch (codeEnum) {case NUMBER…...
2024/4/25 7:17:14
高效能人士的七个习惯和人不成熟的五个特征
首先说一下高效能人士的七个习惯:积极主动——即采取主动，为自己过去、现在及未来的行为负责，并依据原则及价值观，(而非情绪或外在环境)来下决定，创造改变，积极面对一切以终为始——即实质的创造，是你的目标、愿景、价值观及要事的组织与实践双赢思维——双赢思维是一种基…...
2024/4/19 21:17:57