看完！！一小时带你入门Python爬虫

最新推荐文章于 2024-09-17 13:30:28 发布

原创最新推荐文章于 2024-09-17 13:30:28 发布 · 253 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#爬虫 #python

python 同时被 2 个专栏收录

7 篇文章

订阅专栏

爬虫

4 篇文章

订阅专栏

本文介绍网络爬虫的基本概念、用途及工作原理，并通过一个Python爬虫实例演示如何抓取网页数据并存储到数据库。

一、什么叫爬虫

爬虫，又名“网络爬虫”，就是能够自动访问互联网并将网站内容下载下来的程序。它也是搜索引擎的基础，像百度和GOOGLE都是凭借强大的网络爬虫，来检索海量的互联网信息的然后存储到云端，为网友提供优质的搜索服务的。

二、爬虫有什么用

你可能会说，除了做搜索引擎的公司，学爬虫有什么用呢？哈哈，总算有人问到点子上了。打个比方吧：企业A建了个用户论坛，很多用户在论坛上留言讲自己的使用体验等等。现在A需要了解用户需求，分析用户偏好，为下一轮产品迭代更新做准备。那么数据如何获取，当然是需要爬虫软件从论坛上获取咯。所以除了百度、GOOGLE之外，很多企业都在高薪招聘爬虫工程师。你到任何招聘网站上搜“爬虫工程师”看看岗位数量和薪资范围就懂爬虫有多热门了。

在这里插入图片描述

三、爬虫的原理

发起请求：通过HTTP协议向目标站点发送请求（一个request），然后等待目标站点服务器的响应。

获取响应内容：如果服务器能正常响应，会得到一个Response。Response的内容便是所要获取的页面内容，响应的内容可能有HTML，Json串，二进制数据（如图片视频）等等。

解析内容：得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析；可能是Json，可以直接转为Json对象解析；可能是二进制数据，可以做保存或者进一步的处理。

保存数据：数据解析完成后，将保存下来。既可以存为文本文档、可以存到数据库中。

四、Python爬虫实例

前面介绍了爬虫的定义、作用、原理等信息，相信有不少小伙伴已经开始对爬虫感兴趣了，准备跃跃欲试呢。那现在就来上“干货”，直接贴上一段简单Python爬虫的代码：

1.前期准备工作：安装Python环境、安装PYCHARM软件、安装MYSQL数据库、新建数据库exam、在exam中建一张用于存放爬虫结果的表格house [SQL语句：create table house(price varchar(88),unit varchar(88),area varchar(88));]

2.爬虫的目标：爬取某租房网上首页中所有链接里的房源的价格、单位及面积，然后将爬虫结构存到数据库中。

3.爬虫源代码：如下

import requests #请求 URL 页面内容

from bs4 import BeautifulSoup #获取页面元素

import pymysql #链接数据库

import time #时间函数

import lxml #解析库（支持 HTML\XML 解析，支持 XPATH 解析）

#get_page 函数作用：通过 requests 的 get 方法得到 url 链接的内容，再整合成BeautifulSoup 可以处理的格式

def get_page(url):

response = requests.get(url)

soup = BeautifulSoup(response.text, ‘lxml’)

return soup

#get_links 函数的作用：获取列表页所有租房链接

def get_links(link_url):

soup = get_page(link_url)

links_div = soup.find_all(‘div’,class_=“pic-panel”)

links=[div.a.get(‘href’) for div in links_div]

return links

#get_house_info 函数作用是：获取某一个租房页面的信息：价格、单位、面积等

def get_house_info(house_url):

soup = get_page(house_url)

price =soup.find(‘span’,class_=‘total’).text

unit = soup.find(‘span’,class_=‘unit’).text.strip()

area = ‘test’ #这里 area 字段我们自定义一个 test 做测试

info = {

‘价格’:price,

‘单位’:unit,

‘面积’:area

}

return info

#数据库的配置信息写到字典

DataBase ={

‘host’: ‘127.0.0.1’,

‘database’: ‘exam’,

‘user’ : ‘root’,

‘password’ : ‘root’,

‘charset’ :‘utf8mb4’}

#链接数据库

def get_db(setting):

return pymysql.connect(**setting)

#向数据库插入爬虫得到的数据

def insert(db,house):

values = “’{}’,”*2 + “’{}’”

sql_values = values.format(house[‘价格’],house[‘单位’],house[‘面积’])

sql ="""

insert into house(price,unit,area) values({})

“”".format(sql_values)

cursor = db.cursor()

cursor.execute(sql)

db.commit()

#主程序流程：1.连接数据库 2.得到各个房源信息的 URL 列表 3.FOR 循环从第一个 URL 开始获取房源具体信息（价格等）4.一条一条地插入数据库

db = get_db(DataBase)

links = get_links(‘https://bj.lianjia.com/zufang/’)

for link in links:

time.sleep(2)

house = get_house_info(link)

insert(db,house)

首先，“工欲善其事必先利其器”，用 Python 写爬虫程序也是一样的道理，写爬虫过程中需要导入各种库文件，正是这些及其有用的库文件帮我们完成了爬虫的大部分工作，我们只需要调取相关的借口函数即可。导入的格式就是 import 库文件名。这里要注意的是在 PYCHARM 里安装库文件，可以通过光标放在库文件名称上，同时按ctrl+alt 键的方式来安装，也可以通过命令行（Pip install 库文件名）的方式安装，如果安装失败或者没有安装，那么后续爬虫程序肯定会报错的。在这段代码里，程序前五行都是导入相关的库文件：requests 用于请求 URL 页面内容；BeautifulSoup 用来解析页面元素；pymysql 用于连接数据库；time 包含各种时间函数；lxml 是一个解析库，用于解析 HTML、XML 格式的文件，同时它也支持 XPATH 解析。

其次，我们从代码最后的主程序开始看整个爬虫流程：

通过 get_db 函数连接数据库。再深入到 get_db 函数内部，可以看到是通过调用Pymysql 的 connect 函数来实现数据库的连接的，这里**seting 是 Python 收集关键字参数的一种方式，我们把数据库的连接信息写到一个字典 DataBase 里了，将字典里的信息传给 connect 做实参。

通过 get_links 函数，获取链家网租房首页的所有房源的链接。所有房源的链接以列表形式存在 Links 里。get_links 函数先通过 requests 请求得到链家网首页页面的内容，再通过 BeautifuSoup 的接口来整理内容的格式，变成它可以处理的格式。最后通过电泳find_all 函数找到所有包含图片的 div 样式，再通过一个 for 循环来获得所有 div 样式里包含的超链接页签（a）的内容（也就是 href 属性的内容），所有超链接都存放在列表links 中。

通过 FOR 循环，来遍历 links 中的所有链接（比如其中一个链接是：https://bj.lianjia.com/zufang/101101570737.html）

用和 2）同样的方法，通过使用 find 函数进行元素定位获得 3）中链接里的价格、单位、面积信息，将这些信息写到一个字典 Info 里面。

调用 insert 函数将某一个链接里得到的 Info 信息写入数据库的 house 表中去。深入到 insert 函数内部，我们可以知道它是通过数据库的游标函数 cursor()来执行一段 SQL语句然后数据库进行 commit 操作来实现响应功能。这里 SQL 语句的写法比较特殊，用到了 format 函数来进行格式化，这样做是为了便于函数的复用。

最后，运行一下爬虫代码，可以看到链家网的首页所有房源的信息都写入到数据里了。（注：test 是我手动指定的测试字符串）

在这里插入图片描述