python爬虫教程（一）

Python版本：python3.6

使用工具：pycharm

一、第一个爬虫程序

获得网址源代码。如下图获取百度页面源代码

二、Web请求过程

1. 服务器渲染：在服务器中直接把数据和html整合在一起，返回给浏览器。（在页面源代码中能看到数据）

2. 客户端渲染：第一次请求只要一个html骨架，第二次请求拿到数据，进行数据展示。（在页面源代码中，看不到数据）

三、requests入门

1. 获取搜狗引擎搜索周杰伦页面源代码。

2. 出现报错，网页存在反爬，处理反扒。

3. 修改代码，使其更加灵活获取不同搜索内容对应不同页面源代码。

4．当请求方式为POST时，以百度翻译为例获取页面源代码。

5. 当想要爬取数据与网页框架不在一起时。以豆瓣电影排行榜为例。需先找到所需爬取数据位置。

将其参数变量进行封装，补充网址参数，其参数信息位置及代码如下：

注意：使用完爬虫程序后，关闭爬虫程序。

如上示例需使用resp.close()关闭爬虫程序。

四、数据解析

本文中将介绍三种解析方式：re解析、bs4解析、xpath解析。

1. re解析：Regular Expression，正则表达式，一种使用表达式的方式对字符串进行匹配的语法规则。
优点：速度快、效率高、准确性高

缺点：上手难度较高

语法：使用元字符进行排列组合用来匹配字符串（元字符是具有固定含义的特殊符号），常用元字符：

. 匹配除换行符以外的任意字符 a|b 匹配字符a或b

\w 匹配字母或数字或下划线 \W 匹配非字母或数字或下划线

\s 匹配任意空白符 \S 匹配非空白符

\d 匹配数字 \D 匹配非数字

[…] 匹配字符组中的字符 [^…] 匹配除字符组中的所有字符

^ 匹配字符串的开始 $ 匹配字符串的结束

量词：控制元字符出现的次数

* 重复零次或多次

+ 重复一次或多次

？重复零次或一次

{n} 重复n次

{n,} 重复n次或更多次

{n,m} 重复n到m次
（1）re模块使用，findall() 匹配字符串中所有的符合正则的内容

（2）finditer()匹配字符串中所有的内容，返回迭代器

从迭代器中拿出内容需要.group()

（3）search，找到一个结果就返回，返回的结果是match对象，拿数据需使用.group()

（4）match，从头开始匹配

当选取数据开始即为所需数据时，可输出结果。

（5）预加载正则表达式，可重复使用

（6）正则中内容单独提取。我们将想要提取内容部分定义组(?P<分组名字>正则)，然后使用.group()提取某个组的内容。（re.S：让.能够匹配换行符）

2. 实战爬取豆瓣Top250电影信息。
（1）使用requests，拿到页面源代码。

（2）使用re，解析数据

设定爬取以上四个数据，电影名字、年份、评分、评价人数，在页面源代码中找到所需内容位置（红色框），并找到内容定位方法及位置（白色框）

解析数据：其中.strip()去掉年份前面空格。

将获取到文件保存为文件。导入csv，将内容存入字典，同理year需单独处理。

输出文件data.csv内容

3. 实战爬取电影天堂下载链接，目标爬取2021必看热片信息。

（1）获取页面源代码

如上输出结果中存在乱码问题，我们默认使用的字符集为utf-8，可看到其网站的字符集为gb2312，需要指定使用字符集解决乱码问题。

（2）定位到2021必看热片，在页面源代码中找到所需位置。

（3）从2021必看热片中提取到子页面的链接地址

得到的子页面链接不完整，缺少域名，需要进行一个链接的拼接。

得到了完整的子页面链接，将子页面链接保存起来。

提取子页面内容，输出得到片名及下载链接。