python爬虫——爬取网页数据和解析数据

1.网络爬虫的基本概念

网络爬虫（又称网络蜘蛛，机器人），就是模拟客户端发送网络请求，接收请求响应，一种按照一定的规则，自动地抓取互联网信息的程序。
只要浏览器能够做的事情，原则上，爬虫都能够做到。

2.网络爬虫的功能

  图2

网络爬虫可以代替手工做很多事情，比如可以用于做搜索引擎，也可以爬取网站上面的图片，比如有些朋友将某些网站上的图片全部爬取下来，集中进行浏览，同时，网络爬虫也可以用于金融投资领域，比如可以自动爬取一些金融信息，并进行投资分析等。

有时，我们比较喜欢的新闻网站可能有几个，每次都要分别打开这些新闻网站进行浏览，比较麻烦。此时可以利用网络爬虫，将这多个新闻网站中的新闻信息爬取下来，集中进行阅读。

有时，我们在浏览网页上的信息的时候，会发现有很多广告。此时同样可以利用爬虫将对应网页上的信息爬取过来，这样就可以自动的过滤掉这些广告，方便对信息的阅读与使用。

有时，我们需要进行营销，那么如何找到目标客户以及目标客户的联系方式是一个关键问题。我们可以手动地在互联网中寻找，但是这样的效率会很低。此时，我们利用爬虫，可以设置对应的规则，自动地从互联网中采集目标用户的联系方式等数据，供我们进行营销使用。

有时，我们想对某个网站的用户信息进行分析，比如分析该网站的用户活跃度、发言数、热门文章等信息，如果我们不是网站管理员，手工统计将是一个非常庞大的工程。此时，可以利用爬虫轻松将这些数据采集到，以便进行进一步分析，而这一切爬取的操作，都是自动进行的，我们只需要编写好对应的爬虫，并设计好对应的规则即可。

除此之外，爬虫还可以实现很多强大的功能。总之，爬虫的出现，可以在一定程度上代替手工访问网页，从而，原先我们需要人工去访问互联网信息的操作，现在都可以用爬虫自动化实现，这样可以更高效率地利用好互联网中的有效信息。
3.安装第三方库

在进行爬取数据和解析数据前，需要在Python运行环境中下载安装第三方库requests。

在Windows系统中，打开cmd（命令提示符）界面，在该界面输入pip install requests,按回车键进行安装。（注意连接网络）如图3

图3

安装完成，如图4

图4

4.爬取淘宝首页

 # 请求库
 import requests
 # 用于解决爬取的数据格式化
 import io
 import sys
 sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='utf-8')
 # 爬取的网页链接
 r= requests.get("https://www.taobao.com/")
 # 类型
 # print(type(r))
 print(r.status_code)
 # 中文显示
 # r.encoding='utf-8'
 r.encoding=None
 print(r.encoding)
 print(r.text)
 result = r.text

运行结果，如图5

图5

5.爬取和解析淘宝网首页

 # 请求库
 import requests
 # 解析库
 from bs4 import BeautifulSoup
 # 用于解决爬取的数据格式化
 import io
 import sys
 sys.stdout = io.TextIOWrapper(sys.stdout.buffer,encoding='utf-8')
 # 爬取的网页链接
 r= requests.get("https://www.taobao.com/")
 # 类型
 # print(type(r))
 print(r.status_code)
 # 中文显示
 # r.encoding='utf-8'
 r.encoding=None
 print(r.encoding)
 print(r.text)
 result = r.text
 # 再次封装，获取具体标签内的内容
 bs = BeautifulSoup(result,'html.parser')
 # 具体标签
 print("解析后的数据")
 print(bs.span)
 a={}
 # 获取已爬取内容中的script标签内容
 data=bs.find_all('script')
 # 获取已爬取内容中的td标签内容
 data1=bs.find_all('td')
 # 循环打印输出
 for i in data:
     a=i.text
     print(i.text,end='')
     for j in data1:
         print(j.text)

运行结果，如图6

图6

7.小结

在对网页代码进行爬取操作时，不能频繁操作，更不要将其设置成死循环模式（每一次爬取则为对网页的访问，频繁操作会导致系统崩溃，会追究其法律责任）。

所以在获取网页数据后，将其保存为本地文本模式，再对其进行解析（不再需要访问网页）。