爬虫抓取网页数据(如何编写一个网络爬虫的抓取功能？-八维教育)

　　爬虫抓取网页数据(如何编写一个网络爬虫的抓取功能？-八维教育)

　　从各种搜索引擎到日常数据采集，都离不开网络爬虫。爬虫的基本原理很简单。它遍历网络中的网页并抓取感兴趣的数据内容。本篇文章将介绍如何编写一个网络爬虫从零开始爬取数据，进而逐步完善爬虫的爬取功能。

　　我们使用 python 3.x 作为我们的开发语言，一点点 python 就可以了。让我们先从基础开始。

　　工具安装

　　我们需要安装python、python的requests和BeautifulSoup库。我们使用 Requests 库来抓取网页内容，并使用 BeautifulSoup 库从网页中提取数据。

　　- 安装蟒蛇

　　- 运行 pip 安装请求

　　- 运行 pip install BeautifulSoup

　　爬网

　　完成必要工具的安装后，我们就正式开始编写我们的爬虫了。我们的首要任务是抓取豆瓣上的所有图书信息。我们以它为例，首先看一下如何爬取网页的内容。

　　使用python的requests提供的get()方法，我们可以很简单的获取到指定网页的内容。代码如下：

　　import requests

if __name__== "__main__":

response = requests.get("https://book.douban.com/subject/26986954/")

content = response.content.decode("utf-8")

print(content)

　　提取内容

　　爬取网页内容后，我们要做的就是提取我们想要的内容。在我们的第一个示例中，我们只需要提取书名。首先，我们导入 BeautifulSoup 库。使用 BeautifulSoup，我们可以轻松提取网页的具体内容。

　　import requests

from bs4 import BeautifulSoup

if __name__== "__main__":

response = requests.get("https://book.douban.com/subject/26986954/")

content = response.content.decode("utf-8")

#print(content)

soup = BeautifulSoup(content, "html.parser")

# 获取当前页面包含的所有链接

for element in soup.select("a"):

if not element.has_attr("href"):

continue

if not element["href"].startswith("https://"):

continue

print(element["href"])

# 获取更多数据

　　连续爬网

　　至此，我们已经可以爬取单个页面的内容了，下面我们来看看如何爬取整个网站的内容。我们知道网页是通过超链接相互连接的，通过超链接我们可以访问整个网络。所以我们可以从每个页面中提取到其他页面的链接，然后反复爬取新的链接。

　　import time

import requests

from bs4 import BeautifulSoup

# 保存已经抓取和未抓取的链接

visited_urls = []

unvisited_urls = [ "https://book.douban.com/subject/26986954/" ]

# 从队列中返回一个未抓取的URL

def get_unvisited_url():

while True:

if len(unvisited_urls) == 0:

return None

url = unvisited_urls.pop()

if url in visited_urls:

continue

visited_urls.append(url)

return url

if __name__== "__main__":

while True:

url = get_unvisited_url()

if url == None:

break

print("GET " + url)

response = requests.get(url)

content = response.content.decode("utf-8")

#print(content)

soup = BeautifulSoup(content, "html.parser")

# 获取页面包含的链接，并加入未访问的队列

for element in soup.select("a"):

if not element.has_attr("href"):

continue

if not element["href"].startswith("https://"):

continue

unvisited_urls.append(element["href"])

#print(element["href"])

time.sleep(1)

　　总结

　　我们的第一个网络爬虫已经开发出来。它可以抓取豆瓣上的所有书籍，但它也有很多局限性，毕竟它只是我们的第一个小玩具。在后续的文章中，我们会逐步完善我们爬虫的爬取功能。在后续的文章中，我们会逐步完善我们爬虫的爬取功能。

　　资源：