通俗的讲，网络爬虫到底是什么？

原创 2024-01-05 20:26:14 5k 阅读 AI写同款

收录于

python

编程语言

python爬虫

智泊AI官方

码龄6年墨衍会员 · AI 创作全网分发

8637粉丝2667篇原创

关注

数据爬虫（一）：爬虫的基本原理介绍一、什么是爬虫爬虫：请求网站并提取数据的自动化程序百科：网络爬虫（又被称为网页蜘蛛，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。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。二、爬虫基本流程发起请求：通过HTTP库向目标站点发起请求，即发送一个Request，请求可以包含额外的heade 阅读详情

AI摘要

本文介绍如何使用Python和XPath抓取知乎网页数据，包括问题描述、关注者数及浏览数等，并提供完整代码。

爬虫通俗来说就是抓取网页数据，比如说大家都喜欢的妹子图、小视频呀，还有电子书、文字评论、商品详情等等。

只要网页上有的，都可以通过爬虫爬取下来。

一般而言，python爬虫需要以下几步：

找到需要爬取内容的网页URL
打开该网页的检查页面（即查看HTML代码，按F12快捷键即可进入）
在HTML代码中找到你要提取的数据
写python代码进行网页请求、解析
存储数据

当然会撸python是前提，对于小白来说自学也不是件容易的事，需要花相当的时间去适应python的语法逻辑，而且要坚持亲手敲代码，不断练习。

如果对自己没有自信，也可以考虑看编程课程，跟着老师的节奏去学习，能比较快地掌握python语法体系，也能得到充分的案例练习。

在默认你已经有python基础的前提下，来说一说如何写代码进行网页请求、解析。

网页请求意思是把网页的HTML源码下载下来。

好了，接下来我们一步步按照套路把本问题的信息都爬下来！
在这里插入图片描述

一、找到需要爬取网页的URL

我们需要爬取四个信息：

问题描述
问题补充
关注者数
被浏览数

二、打开该网页的检查页面

推荐使用chrome浏览器实践，会和本文操作同步。

打开本问题的网页：
在这里插入图片描述
按F12键进入开发者页面：

三、在HTML代码中找到你要提取的数据

点击开发者页面左上角的‘选择元素’箭头：
在这里插入图片描述
然后再点击网页上的问题描述，这时候开发者界面上出现HTML源码：

你想要的问题描述文字，就藏在html源码里：

我们要爬取的第一个信息已经找到，按照上面步骤，可以找到其它三个信息在html中的位置。

四、写python代码进行网页请求、解析

这一步可能是大家最最关心的，因为涉及到python代码。

其实这里对python的要求也仅限于你需要会数据类型、变量、运算符、函数、模块之类的简单语法。

因为我们会用到好几个第三方库，帮助我们完成网页请求、解析的工作，你需要做的是知道这些库的使用方法。

Part 1
这里用到的用于网页请求的库是requests，一个非常流行的http请求库。
这里请求的是什么？不是原谅、也不是理解，而是网页的html信息。
服务器收到请求后，会返回相应的网页对象。
在这里插入图片描述
Requests库会自动解码来自服务器的内容，大多数 unicode 字符集都能被无缝地解码。

这一切requests都能妥妥地搞定。
我们来尝试下：
import requests
headers = {'User-Agent':你的浏览器headers}
# 传入url和请求头
r = requests.get('https://www.zhihu.com/question/21358581',headers=headers)
# 响应的内容
print(r.text)

我们会接收到服务器返回的页面，requests解析后，呈现下面这样子：
在这里插入图片描述
这就是我们需要的html源码呀！

接下来要做的就是从html中抽取我们需要的四个信息。

Part 2
通过网页请求，我们获取到响应的html文档，我们需要的东西都在这个文档里。

但是怎么去抽取信息呢？

XPath 是一门在 XML 文档中查找信息的语言，可用来在 XML 文档中对元素和属性进行遍历。

这里用到另一个有用的库xpath，xpath库可以让你轻松的使用XPath语言查找信息。

既然XPath是在XML文档中才能起作用，然而我们刚刚获取的html只是文本字符串。

所以需要把html文档转换为XPath可以解析的对象：lxml.etree._Element（xml/html文件树中的一个节点）。
接着上面代码：

# 将html文档转换为XPath可以解析的
s = etree.HTML(r.text)

Part 3
这下我们可以使用xpath库来进行信息的提取了。

xpath的使用方法这里不赘述了，大家可以网上搜搜资料，个半小时也能学会。

这里介绍一种简单的方法，你在开发者页面中找到对应信息的源码后，直接右键复制xpath地址：

但复制的xpath很有可能会导致获取的信息为空，所以我这里用标签的属性来获取对应文本。

接上面代码：

# 获取问题内容
q_content = s.xpath('//*[@class="QuestionHeader-title"]/text()')[0]
# 获取问题描述
q_describe = s.xpath('//*[@class="RichText ztext"]/text()')[0]
# 获取关注数和浏览量，这两个属性一样
q_number = s.xpath('//*[@class="NumberBoard-itemValue"]/text()')
concern_num = q_number[0]
browing_num = q_number[1]
# 打印
print('问题:',q_content,'\n','描述:',q_describe,'\n','关注数:',concern_num,'\n','浏览量:',browing_num)

最终呈现的结果：
在这里插入图片描述
全部代码：

import requests
from lxml import etree
headers = {'User-Agent':你的浏览器headers}
r = requests.get('https://www.zhihu.com/question/21358581',headers=headers)
s = etree.HTML(r.text)
# 获取问题内容
q_content = s.xpath('//*[@class="QuestionHeader-title"]/text()')[0]
# 获取问题描述
q_describe = s.xpath('//*[@class="RichText ztext"]/text()')[0]
# 获取关注数和浏览量，这两个属性一样
q_number = s.xpath('//*[@class="NumberBoard-itemValue"]/text()')
concern_num = q_number[0]
browing_num = q_number[1]
# 打印
print('问题:',q_content,'\n','描述:',q_describe,'\n','关注数:',concern_num,'\n','浏览量:',browing_num)