Python爬虫：让“蜘蛛”帮我们工作

互联网是一个巨大的资源库，只要方法适当，就可以从中找到我们所需的数据。对于少量的数据，可以人工去找。但是对于大量的数据，如果在获取数据之后还要进行分析，则靠人工无法完成任务，这时就需要通过计算机程序帮助我们完成任务，这种程序就叫作网络爬虫（又叫作网页蜘蛛、网络机器人)。

“虫子”的第 1 阶段工作——爬取数据

爬取数据一般指从指定的网址爬取网页中的HTML代码，爬取数据的核心是网络通信，可以使用Python官方提供的urllib.request模块实现，代码如下：

# coding=utf-8
# 代码文件：code/chapter6/6.1.1.py
# 爬取数据
import urllib.request
# 爬取数据的网址
url = 'http://p.weather.com.cn/'
def getHtmlString():
 """ 网络请求返回HTML字符串 """
 
 
 req = urllib.request.Request(url)
with urllib.request.urlopen(req) as response:
 data = response.read()
 htmlstr = data.decode(encoding='utf-8', errors='ignore')
return htmlstr
if __name__ == '__main__':
 html = getHtmlString()
 print(html)

“虫子”的第 2 阶段工作——解析数据

BeautifulSoup 库是一个可以从HTML或XML文档中提取数据的Python库。安装BeautifulSoup库的pip指令如下：

pip install beautifulsoup4

在Windows平台上通过命令提示符安装BeautifulSoup库的过程如下图所示。其他平台的安装过程类似，这里不再赘述。

解析HTML数据是通过BeautifulSoup对象实现的，BeautifulSoup对象的常用函数如下。

• find_all(tagname)：根据标签名返回符合条件的所有元素。

• select(selector)：通过CSS中的选择器查找符合条件的所有元素。

• find(tagname)：根据标签名返回符合条件的第一个元素。

• get(key, default=None)：获取标签属性的值，key表示标签属性名。

BeautifulSoup常用的属性如下。

• title：获取当前HTML页面title属性的值。

• text：返回标签中的文本内容。

从HTML代码中解析出图片网址的代码如下：

# coding=utf-8
# 代码文件：code/chapter6/6.1.2.py
# 解析数据
import urllib.request
from bs4 import BeautifulSoup
# 爬取数据的网址
url = 'http://p.weather.com.cn/'
def getHtmlString():
 """ 网络请求返回HTML字符串 """
 req = urllib.request.Request(url)
 with urllib.request.urlopen(req) as response:
 data = response.read()
 htmlstr = data.decode(encoding='utf-8', errors='ignore')
 return htmlstr
def find_imageurls(htmlstr):
 """从HTML代码中查找匹配的字符串"""
 sp = BeautifulSoup(htmlstr, 'html.parser')
 # 返回所有的img标签对象
 imgtaglist = sp.find_all('img')
 # 从img标签对象列表中返回对应的src列表
 srclist = list(map(lambda u: u.get('src'), imgtaglist))
 # 过滤掉非.png和.jpg结尾文件的src字符串
 filtered_srclist = filter(lambda u: u.lower().endswith('.png')
 or u.lower().endswith('.jpg'), srclist)
 return filtered_srclist
if __name__ == '__main__':
 html = getHtmlString()
 # 返回图片列表
 url_list = find_imageurls(html)
 # 遍历图片列表
 for img_url in url_list:
 # 打印图片url列表
 print(img_url)

“虫子”的第 3 阶段工作——下载图片

“虫子”的第3个阶段工作是存储数据。但就本例而言主要是根据图片的网址下载图片。

1. html.parser：用Python编写的解析器，速度比较快，支持Python 2.7.3和Python3.2.2以上版本。

2.  lxml：用C语言编写的解析器，速度很快，依赖于C库，在CPython环境下可以使用它。

3. lxml-xml：用C语言编写的XML解析器，速度很快，依赖于C库。

4. html5lib：HTML5解析器，通过HTML5算法解析文件，容错性好，但速度慢。

下载图片的代码如下：

# coding=utf-8
# 代码文件：code/chapter6/6.1.3.py
# 爬取数据
import os
import urllib.request
from bs4 import BeautifulSoup
# 爬取数据的网址
url = 'http://p.weather.com.cn/'
......
if __name__ == '__main__':
 html = getHtmlString()
 # 返回图片列表
 url_list = find_imageurls(html)
 # 遍历图片列表
 for img_url in url_list:
 # 根据图片地址下载
 req = urllib.request.Request(img_url)
 with urllib.request.urlopen(req) as response:
 data = response.read()
 # 获取图片文件名
 # 例如：https://i.i8tq.com/weather2020/search/rbAd.png
 # 截取的文件名是“rbAd.png”
 # 找到最后一个“/”字符的位置
 pos = img_url.rfind('/')
 # 截取文件名
 filename = img_url[pos + 1:]
 # 获取图片路径
 filepath = 'download/' + filename
 # 判断在当前文件夹下是否存在download子文件夹，如果不存在，则创建
 if not os.path.exists('download'):
 # 创建download子文件夹
 os.mkdir('download')
 # 保存图片
 with open(filepath, 'wb') as f:
 f.write(data)
 print('下载图片:{}。'.format(filename))
 print('工作完成。')

本文节选自《看漫画学Python 2：有趣、有料、好玩、好用（全彩进阶版）》

进阶版是在《看漫画学Python》的基础上讲解Python进阶的知识，如果你看过《看漫画学Python》，那么你一定很喜欢《看漫画学Python 2》。

这两本书的内容不冲突，一本讲Python入门，一本讲Python进阶，内容完美衔接！

各位漫学粉儿们不要错过呀！

当当限时四九折，快抢！

发布：刘恩惠

审核：陈歆懿

如果喜欢本文欢迎 在看丨留言丨分享至朋友圈 三连

 热文推荐  

---

▼点击阅读原文，了解本书详情~