python小课堂31 - 初识原生爬虫

前言

在上一期介绍了爬虫之前必会浏览器的开发者工具，忘记的童鞋可以在回顾一下：

本篇文章将以实战来介绍一期 “原生” 爬虫，这里的原生是指使用 python 自带的请求库来完成爬虫，不借用第三方库(如 requests....贼好用！谁用谁知道...)。同时需要注意的是本次案例不使用任何爬虫框架去完成，大部分知识依赖于前面介绍的基础知识，少部分知识需要后续介绍学习。

PS：本期爬虫案例并不是最完善的爬虫，仅为了将爬虫的原理基础介绍清楚。要清楚，爬虫具有时效性，由于现在各大网站都有相关的反爬机制，所以也许现在写的爬虫代码此时适用，但过些时日就可能失效了，这点需要注意。本章仅供学习参考，请在遵守网络法律前提下进行相关操作。

什么是爬虫？网络爬虫(又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者)，是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。 -- 百度百科

引用了下百度百科对爬虫的定义，接下来用笔者理解的大白话来说下：在咱们现在生活的这个时代，多数信息的传递都是以浏览器作媒介进行传播的，比如你要查寻一部电影，你首先得打开浏览器，然后打开百度(或谷歌或其他搜索引擎)的主页，在搜索框输入XXXX，回车后就会跳转到相应的网页，而这些所谓的搜索引擎，如百度，其本身就是一个大爬虫。

互联网就像一张蜘蛛网，你可以想象成每个网页就是粘在蜘蛛网上被包裹住的食物，在这张蜘蛛网上，不同网页组成了许多食物，食物的种类过于繁多，作为人类的你，想要从中挑选最美味，最可口的食物很是麻烦，于是创造出来一个可以行进于蜘蛛网上的“蜘蛛”，通过给蜘蛛下达规则性的命令，让蜘蛛来在这张网上帮你搜寻你想要的“食物”。

上面所讲的小故事，人类泛指开发者，蜘蛛泛指爬虫，而食物则泛指网页，或者说是信息。

最后一句话总结一下：爬虫，即在网络上，根据你所定义的规则流程，通过程序化将你想要的，有用的信息获取下来，这个程序称之为爬虫。

王者荣耀直播

这里就用笔者近期玩的游戏来做一次有趣的分享吧，王者荣耀。

众所周知，近几年随着物质生活的提高，相应精神物质也随之上升，越来越多的游戏被大家所认知，比如风靡一时的 dota2、 LOL等，近两年移动端的火热，例如吃鸡、王者荣耀等。。。随着游戏本身“社会地位”的上升，相应的越来越多人选择做起了直播，观众们可以第一视角观看直播的犀利操作，从中学习相关操作，提升自己的操作意识。

那这里呢，笔者就以王者荣耀的直播为例(因为在王者方面，笔者也算是上过王者的男人)废话不多说，下面进入正题。

明确信息目标

首先，写爬虫的第一步就是要明确自己的信息，你要从网络中获取怎样的信息？它们有怎样的特征呢？所以不急，先确定你要爬取(或者说是获取)的内容。

打开熊猫 tv 直播间，让我们来分析一下：

但从首页上看去，除了中间有视频播放器以外，没有什么笔者想要的信息。但是可以看到首页旁边，有个分类按钮，点过去看下：

可以看到，游戏的种类繁多，我们可以搜索下想要的王者荣耀，继续点进去看下：

当前所有与王者荣耀直播的相关主播，随便找一个，比如下面这个：

上图可知，有主播自己起的直播标题，还有主播的网名，以及当前的热度(小眼睛应该就是热度，小汽车好像是当前观看的人数)。嗯，笔者目标很明确，就是想抓取当前热度最高的主播，学习一波大佬的操作！

明确抓取目标：直播标题、主播网名、热度(小眼睛)。

分析网页结构

目标明确以后，来使用浏览器开发者工具分析下对应数据的网页结构，打开F12，分析如下：

直播标题：

主播网名：

热度(小眼睛图标)：

总结

好了，以上就是本篇对于熊猫直播网页结构的分析。

总结一下爬虫前需要准备的：

1. 明确目的，知道自己的需求是什么，想要什么样的数据。

2. 找到数据对应的网页，比如笔者这里想找王者直播。

3. 根据目的，分析出网页数据对应的 HTML 结构标签代码。

前三步是本章介绍的主要内容，消化一下！下面的步骤是实现的思路，放在下一篇文章去写吧.....

TODO LIST (待做的....)

模拟 Http 请求，使用 Python 原生包对服务器发起请求，获取到服务器返回给我们的 HTML 代码。

通过返回的 HTML 代码，使用正则表达式等手段提取出我们想要的数据信息即可！(当然这里有些网站是肯定会遇到坑，现在没有哪个网站会让你轻轻松松获取信息的，比如斗鱼直播的数据...毕竟都 9102 年了！)

以上便是一个简单的小小只爬虫原理概念性的介绍了！下篇文章，尽请期待....

有想探讨python的同学，欢迎关注公号：migezatan.(咪哥杂谈)。