网络爬虫（一）-轻识

△ 是新朋友吗？记得先点数据科学与人工智能关注我哦～

《Python学习》专栏·第2篇

文 | 段洵

1099字 | 5 分钟阅读

【数据科学与人工智能】已开通Python语言社群，学用Python，玩弄数据，求解问题，以创价值。喜乐入群者，请加微信号shushengya360，或扫描文末二维码，添加为好友，同时附上Python-入群。有朋自远方来，不亦乐乎，并诚邀入群，以达相互学习和进步之美好心愿。

本期主要介绍一些与网络爬虫相关的知识！

爬虫是按照一定规则，自动地提取并保存网页中信息的程序。通过向网站发起请求获取资源，提取其中有用的信息。爬虫在获取信息、整理数据等方面应用广泛。

一、网络爬虫：需要安装的包

• requests：HTTP请求库

Python实现的一个简单易用的HTTP库，支持HTTP持久连接和连接池、SSL证书验证、cookies处理、流式上传等，向服务器发起请求并获取响应，完成访问网页的步骤，简洁、容易理解，是最友好的网络爬虫库。

http请求类型

requests.request()：构造一个请求

requests.get()：获取HTML网页

requests.head()：获取HTML网页头信息

requests.post()：提交POST请求

requests.put()：提交PUT请求

requests.patch()：提交局部修改请求

requests.delete()：提交删除请求

requests.options()：获取http请求

返回的是一个response对象，response对象包含服务器返回的所有信息，例如状态码、编码形式、文本内容等；也包含请求的request信息 .status_code：HTTP请求的返回状态 .text：HTTP响应内容的字符串形式 .content：HTTP响应内容的二进制形式 .encoding：(从HTTP header中)分析响应内容的编码方式 .apparent_encoding：(从内容中)分析响应内容的编码方式。

定制请求头。requests的请求接口有一个名为headers的参数，向它传递一个字典来完成请求头定制。设置代理。一些网站设置了同一IP访问次数的限制，可以在发送请求时指定proxies参数来替换代理，解决这一问题。

• beautifulsoup4：HTML文档分析库

页面解析器：使用requests库下载了网页并转换成字符串后，需要一个解析器来处理HTML和XML，解析页面格式，提取有用的信息。

解析器类型

搜索方法：find_all(name, attrs, recursive, string,**kwargs)，返回文档中符合条件的所有tag，是一个列表。find(name, attrs, recursive, string,**kwargs) ，相当于find_all()中limit = 1，返回一个结果。name：对标签名称的检索字符串。attrs: 对标签属性值的检索字符串。recursive: 是否对子节点全部检索，默认为True。string: <>... 中检索字符串。**kwargs：关键词参数列表。

• lxml：页面解析器

二、爬虫的基本流程

分析网页结构

爬取页面：通过requests库向目标站点发送请求，若对方服务器正常响应，能够收到一个response对象，它包含了服务器返回的所有信息。

解析页面：HTML代码-网页解析器，此处使用bs4进行解析。