怎么使用Python爬虫抓取数据(python,编程语言)

工具安装

首先需要安装Python的requests和BeautifulSoup库。我们用Requests库用抓取网页的内容，使用BeautifulSoup库来从网页中提取数据。

安装python

运行pip install requests

运行pip install BeautifulSoup

抓取网页

完成必要工具安装后，我们正式开始编写我们的爬虫。我们的第一个任务是要抓取所有豆瓣上的图书信息。我们以https://book.douban.com/subject/26986954/为例，首先看看开如何抓取网页的内容。

提取内容

抓取到网页的内容后，我们要做的就是提取出我们想要的内容。在我们的第一个例子中，我们只需要提取书名。首先我们导入BeautifulSoup库，使用BeautifulSoup我们可以非常简单的提取网页的特定内容。

连续抓取网页

到目前为止，我们已经可以抓取单个网页的内容了，现在让我们看看如何抓取整个网站的内容。我们知道网页之间是通过超链接互相连接在一起的，通过链接我们可以访问整个网络。所以我们可以从每个页面提取出包含指向其它网页的链接，然后重复的对新链接进行抓取。

准备

IDE：pyCharm

库：requests、lxm

大概介绍一下，这俩库主要为我们做什么服务的

requests：获取网页源代码

lxml：得到网页源代码中的指定数据

言简意赅有没有 ^_^

搭建环境

这里的搭建环境，可不是搭建python的开发环境，这里的搭建环境是指，我们使用pycharm新建一个python项目，然后弄好requests和lxml 新建一个项目，光溜溜的啥也没有，新建个src文件夹再在里面直接新建一个Test.py吧 。

依赖库导入

在Test.py中输入：

import requests

这个时候，requests会报红线，这时候，我们将光标对准requests，按快捷键：alt + enter，pycharm会给出解决之道，这时候，选择install package requests，pycharm就会自动为我们安装了，我们只需要稍等片刻，这个库就安装好了。lxml的安装方式同理.

将这两个库安装完毕后，编译器就不会报红线了。

取网页源代码

requests可以很方便的让我们得到网页的源代码。

获取源码：

# 获取源码

html = requests.get("https://blog.csdn.net/it_xf?viewmode=contents")

# 打印源码

print html.text

代码就是这么简单，这个html.text便是这个URL的源码

获取指定数据

现在我们已经得到网页源码了，这时就需要用到lxml来来筛选出我们所需要的信息

首先我们需要分析一下源码，我这里使用的是chrome浏览器，所以右键检查。

然后在源代码中，定位找到第一篇 。

首先点击源码页右上角的箭头，然后在网页内容中选中文章标题，这个时候，源码会定位到标题这里，

这时候选中源码的标题元素，右键复制。

得到xpath，它相当于地址。比如网页某长图片在源码中的位置。

表达式：//*[@id="mainBox"]/main/div[2]/div[1]/h5/a

首先，//表示根节点，也就是说啊，这//后面的东西为根，则说明只有一个啊。我们需要的东西，在这里面。

然后/表示往下层寻找，根据图片，也显而易见，div -> main -> div[2] -> div[1] -> h5 -> a

追踪到a这里，然后我们在后面加个/text，表示要把元素的内容提取出来，所以我们最终的表达式长这样：

//*[@id="mainBox"]/main/div[2]/div[1]/h5/a/text()

这个表达式只针对这个网页的这个元素，不难理解吧？

那么这个东西怎么用呢？

所有代码：

import requests

from lxml import etree

html = requests.get("https://blog.csdn.net/it_xf?viewmode=contents")

# print html.text

etree_html = etree.HTML(html.text)

content = etree_html.xpath('//*[@id="mainBox"]/main/div[2]/div[1]/h5/a/text()')

for each in content:

print(each)

这时候，each里面的数据就是我们想要得到的数据了

打印结果：

如何撸一个ArrayList

打印结果却是这个结果，我们把换行和空格去掉

import requests

from lxml import etree

html = requests.get("https://blog.csdn.net/it_xf?viewmode=contents")

# print html.text

etree_html = etree.HTML(html.text)

content = etree_html.xpath('//*[@id="mainBox"]/main/div[2]/div[1]/h5/a/text()')

for each in content:

replace = each.replace('\n', '').replace(' ', '')

if replace == '\n' or replace == '':

continue

else:

print(replace)

打印结果：

如何撸一个ArrayList