「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有这个疑问，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。
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

「爬虫教程」吐血整理，最详细的爬虫入门教程-2.jpg

淘宝robots协议中针对百度与谷歌的爬取限制

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

爬虫对于代码执行效率要求不高

环境准备

Python

Next

pip

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：

import requests

r = requests.get('https://www.baidu.com/')1

# 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())

headers

# 添加headersheaders = {'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)

# 添加headersheaders = {'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)

# 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的数据，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；
比如说我们想要爬取百度的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。

「爬虫教程」吐血整理，最详细的爬虫入门教程-3.jpg

浏览器F12打开控制台即可看到页面代码

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：

from bs4 import BeautifulSoup

爱丽丝

html = """<html><head><title>The Dormouse's story</title></head><body>The Dormouse's storyOnce upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1"></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...."""# 选用lxml解析器来解析soup = BeautifulSoup(html, 'lxml')

# 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"></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"></a>][<a class="sister" href="http://example.com/elsie" id="link1"></a>]案例分享

获取17173新游频道下游戏名

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

一直向上选择标签

记住此时的标签以及属性等信息

from bs4 import BeautifulSoupimport 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listtit_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；
比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；
这里的下一页序序按钮并不是指向另外一个页面，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：

一定是先打开控制台，然后再去搜索

Network

XHR

first：是否首页

pn：页码

kd：搜索关键词

headers里面referer参数是必须的

必须得先访问这个referer的网址，然后再去请求职位信息的API。

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 = kd self.url = Config.referer self.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)

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