Python爬虫：爬取人人都是产品经理的数据

爬取内容：

人人都是产品经理首页（www.woshipm.com）左侧【最新文章】下如图样式的文章标题、浏览量和缩略图。

思路：

1. 用BeautifulSoup解析网页

变量名 = BeautifulSoup(网页信息,'lxml')

2. 描述要爬取的内容在哪儿

变量名 = 变量名.select()

3. 爬取出我们想要的内容

接下来看具体实现。

1. 我们需要先安装将使用到的库：BeautifulSoup、requests、lxml，安装方法参见我之前的一篇文章：《Python入门：如何使用第三方库？》。其中BeautifulSoup和lxml是常用的第三方库，用来解析网页。然后插入BeautifulSoup和requests库。

 from bs4 import BeautifulSoup
 import requests

2. 插入好第三方库后，需要描述我们想要爬取的信息在哪儿。

 url = 'http://www.woshipm.com'
 web_data = requests.get(url)
 soup = BeautifulSoup(web_data.text,'lxml')
 titles = soup.select('h2.stream-list-title > a')
 pageviews = soup.select('footer > span.post-views')
 imgs = soup.select('div.stream-list-image > a > img')

我们逐行来看下。

第一行：写明我们是从哪个网页中获取信息；

第二行：web_data为变量名，用requests库的get来请求这个网页中的信息；

第三行：soup为变量名，调用BeautifulSoup和lxml库来解析网页，其中web_data.text为我们要获取的网页的文本信息；

第四行：写明变量titles的具体位置，使用select方法来实现，括号内为标题在网页中的位置，位置的获取方法如下：

用Google浏览器打开该页面——鼠标移入标题处，右键选择【检查】——右侧可以看到标题对应的代码，鼠标放置代码处右键【Copy】——选择【Copy selector】。BeautifulSoup支持selector，不支持XPath。

这时可以获得标题的路径，复制出来的路径应该是个比较长的路径，我删去了前面的部分，保留了标题前的2-3层来代表其路径。

第五行pageviews、第六行imgs方法同上。

3. 做好上面两步后，接下来我们要爬取出我们的目标信息，并将它们装入字典中，关于字典的用法在文章《Python入门：数据结构的4种基本类型》中有说明。

 for title,pageview,img in zip(titles,pageviews,imgs):
     data = {
         'title':title.get_text(),
         'pageview':pageview.get_text(),
         'img':img.get('src')
     }
     print(data)

本案例中我们爬取的数据有3个，标题（titles）、浏览量（pageviews）、图片（imgs），我们可以将三个数据放在一起用zip来实现。关于for循环的使用在文章《Python入门：for循环、while循环》中有提到。

运行程序后，可以得到我们想要的结果（woshipm首页默认加载的10篇文章数据）。

最后，附完整代码：

 from bs4 import BeautifulSoup
 import requests

 url = 'http://www.woshipm.com'
 web_data = requests.get(url)
 soup = BeautifulSoup(web_data.text,'lxml')
 titles = soup.select('h2.stream-list-title > a')
 pageviews = soup.select('footer > span.post-views')
 imgs = soup.select('div.stream-list-image > a > img')

 for title,pageview,img in zip(titles,pageviews,imgs):
     data = {
         'title':title.get_text(),
         'pageview':pageview.get_text(),
         'img':img.get('src')
     }
     print(data)

建议大家可以使用类似的方法去爬取下比如作者信息、收藏量等，或换个网页做新的尝试。Learning by doing。

操作环境：Python版本，3.6；PyCharm版本，2016.2；电脑：Mac

-----   End   -----

作者：杜王丹，微信公众号：杜王丹，互联网产品经理。