Python爬虫入门教程——致敬博主梦想橡皮擦

@梦想橡皮擦是你的博客自动评论“谢谢博主分享”把我带入了爬虫的世界，仅以此篇博客表示敬意！

基础知识：

网络爬虫是一种高效地信息采集利器，利用它可以快速、准确地采集互联网上的各种数据资源，几乎已经成为大数据时代IT从业者的必修课。简单点说，网络爬虫就是获取网页并提取和保存信息的自动化过程，分为下列三个步骤：获取网页、提取信息、保存数据。

1.获取网页

使用requests发送GET请求获取网页的源代码。以获取百度为例：

import requests
response = requests.get('https://www.baidu.com')
print(response.text)

2.提取信息

Beautiful Soup是Python的一个HTML或XML解析库，速度快，容错能力强，可以方便、高效地从网页中提取数据。基本用法：

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.prettify())
print(soup.title.string)

Beautiful Soup方法选择器：

find_all()查询符合条件的所有元素，返回所有匹配元素组成的列表。API如下：

find_all(name,attrs,recursive,text,**kwargs)

find()返回第一个匹配的元素。举个栗子：

from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find('div', attrs={'class': 'article-list'}))

3.保存数据

使用Txt文档保存，兼容性好。

扫描二维码关注公众号，回复： 4481572 查看本文章

使用with as语法。在with控制块结束的时候，文件自动关闭。举个栗子：

with open(file_name, 'a') as file_object:
    file_object.write("I love programming.\n")
    file_object.write("I love playing basketball.\n")

分析页面：

要爬取的页面是一个博客页面：https://blog.csdn.net/hihell/article/list/1，这位博主曾在我的博客下面进行评论留言，让我甚是感动。爬取博客，只为学习，并无恶意。

使用Chrome的开发者工具（快捷键F12），看到这个页面的博文列表是一个article-list，下面有许多article-item-box，对应每一篇博文。

每一篇博文下面有各种信息：标题、链接、摘要、发表日期、阅读量、评论量等。

需要做的就是获取到这个页面，然后提取各种信息，转存为txt即可。

编写代码：

获取网页使用requests ，提取信息使用Beautiful Soup，存储使用txt就可以了。

# coding: utf-8
import re
import requests
from bs4 import BeautifulSoup

def get_blog_info():
    headers = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) '
                             'AppleWebKit/537.36 (KHTML, like Gecko) '
                             'Ubuntu Chromium/44.0.2403.89 '
                             'Chrome/44.0.2403.89 '
                             'Safari/537.36'}
    html = get_page(blog_url)
    soup = BeautifulSoup(html, 'lxml')
    article_list = soup.find('div', attrs={'class': 'article-list'})
    article_item = article_list.find_all('div', attrs={'class': 'article-item-box csdn-tracking-statistics'})
    for ai in article_item:
        title = ai.a.text.replace(ai.a.span.text, "")
        link = ai.a['href']
        date = ai.find('div', attrs={'class': 'info-box d-flex align-content-center'}).span.text
        read_num = ai.find('div', attrs={'class': 'info-box d-flex align-content-center'}).find_all('span', attrs={
            'class': 'read-num'})[0].text
        comment_num = ai.find('div', attrs={'class': 'info-box d-flex align-content-center'}).find_all('span', attrs={
            'class': 'read-num'})[1].text
        print(title.strip())
        print(link)
        print(date)
        print(read_num)
        print(comment_num)
        write_to_file(title)
        write_to_file(link)
        write_to_file('\t' + date)
        write_to_file('\t' + read_num)
        write_to_file('\t' + comment_num)


def get_page(url):
    try:
        headers = {'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) '
                                 'AppleWebKit/537.36 (KHTML, like Gecko) '
                                 'Ubuntu Chromium/44.0.2403.89 '
                                 'Chrome/44.0.2403.89 '
                                 'Safari/537.36'}
        response = requests.get(blog_url, headers=headers, timeout=10)
        return response.text
    except:
        return ""


def write_to_file(content):
    with open('article.txt', 'a', encoding='utf-8') as f:
        f.write(content)


if __name__ == '__main__':
    blog_url = "https://blog.csdn.net/hihell/article/list/1"
    get_blog_info()