爬虫有多好玩？所见即所爬！抓取网页、图片、文章！无所不爬！

一，首先看看Python是如何简单的爬取网页的

1，准备工作

项目用的BeautifulSoup4和chardet模块属于三方扩展包，如果没有请自行pip安装，我是用pycharm来做的安装，下面简单讲下用pycharm安装chardet和BeautifulSoup4

• 在pycharm的设置里按照下图的步骤操作

• ?
• 如下图搜索你要的扩展类库，如我们这里需要安装chardet直接搜索就行，然后点击install package,BeautifulSoup4做一样的操作就行

• 安装成功后就会出现在在安装列表中，到此就说明我们安装网络爬虫扩展库成功

进群：960410445??领取资料大礼包啊！只有二十份！送完即止！

由于抓取的html文档比较长，这里简单贴出来一部分给大家看下

  

 
 
 
 
 
这就是Python3的爬虫简单入门，是不是很简单，建议大家多敲几遍


迫不及待的看下都爬取到了些什么美图

就这么轻易的爬取到了24个妹子的图片。是不是很简单。
四，Python3爬取新闻网站新闻列表
这里我们只爬取新闻标题，新闻url，新闻图片链接。
    
爬取到的数据目前只做展示，等我学完Python操作数据库以后会把爬取到的数据保存到数据库。
到这里稍微复杂点，就分布给大家讲解
1 这里我们需要先爬取到html网页上面第一步有讲怎么抓取网页
    
2分析我们要抓取的html标签

分析上图我们要抓取的信息再div中的a标签和img标签里，所以我们要想的就是怎么获取到这些信息
这里就要用到我们导入的BeautifulSoup4库了，这里的关键代码
# 使用剖析器为html.parser
soup = BeautifulSoup(html,'html.parser')
# 获取到每一个class=hot-article-img的a节点
allList = soup.select('.hot-article-img')

上面代码获取到的allList就是我们要获取的新闻列表，抓取到的如下
[
,
,
,
,
,
,
,
,
,
,
]

这里数据是抓取到了，但是太乱了，并且还有很多不是我们想要的，下面就通过遍历来提炼出我们的有效信息
3 提取有效信息
#遍历列表，获取有效信息
for news in allList:
 aaa = news.select('a')
 # 只选择长度大于0的结果
 if len(aaa) > 0:
 # 文章链接
 try:#如果抛出异常就代表为空
 href = url + aaa[0]['href']
 except Exception:
 href=''
 # 文章图片url
 try:
 imgUrl = aaa[0].select('img')[0]['src']
 except Exception:
 imgUrl=""
 # 新闻标题
 try:
 title = aaa[0]['title']
 except Exception:
 title = "标题为空"
 print("标题",title,"
url：",href,"
图片地址：",imgUrl)
 print("==============================================================================================")

这里添加异常处理，主要是有的新闻可能没有标题，没有url或者图片，如果不做异常处理，可能导致我们爬取的中断。
过滤后的有效信息
标题 标题为空 
url： https://www.huxiu.com/article/211390.html 
图片地址： https://img.huxiucdn.com/article/cover/201708/22/173535862821.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
标题 TFBOYS成员各自飞，商业价值天花板已现？ 
url： https://www.huxiu.com/article/214982.html 
图片地址： https://img.huxiucdn.com/article/cover/201709/17/094856378420.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
标题 买手店江湖 
url： https://www.huxiu.com/article/213703.html 
图片地址： https://img.huxiucdn.com/article/cover/201709/17/122655034450.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
标题 iPhone X正式告诉我们，手机和相机开始分道扬镳 
url： https://www.huxiu.com/article/214679.html 
图片地址： https://img.huxiucdn.com/article/cover/201709/14/182151300292.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
标题 信用已被透支殆尽，乐视汽车或成贾跃亭弃子 
url： https://www.huxiu.com/article/214962.html 
图片地址： https://img.huxiucdn.com/article/cover/201709/16/210518696352.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
标题 别小看“搞笑诺贝尔奖”，要向好奇心致敬 
url： https://www.huxiu.com/article/214867.html 
图片地址： https://img.huxiucdn.com/article/cover/201709/15/180620783020.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
标题 10 年前改变世界的，可不止有 iPhone | 发车 
url： https://www.huxiu.com/article/214954.html 
图片地址： https://img.huxiucdn.com/article/cover/201709/16/162049096015.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
标题 感谢微博替我做主 
url： https://www.huxiu.com/article/214908.html 
图片地址： https://img.huxiucdn.com/article/cover/201709/16/010410913192.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
标题 苹果确认取消打赏抽成，但还有多少内容让你觉得值得掏腰包？ 
url： https://www.huxiu.com/article/215001.html 
图片地址： https://img.huxiucdn.com/article/cover/201709/17/154147105217.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
标题 中国音乐的“全面付费”时代即将到来？ 
url： https://www.huxiu.com/article/214969.html 
图片地址： https://img.huxiucdn.com/article/cover/201709/17/101218317953.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================
标题 百丽退市启示录：“一代鞋王”如何与新生代消费者渐行渐远 
url： https://www.huxiu.com/article/214964.html 
图片地址： https://img.huxiucdn.com/article/cover/201709/16/213400162818.jpg?imageView2/1/w/280/h/210/|imageMogr2/strip/interlace/1/quality/85/format/jpg
==============================================================================================

到这里我们抓取新闻网站新闻信息就大功告成了，下面贴出来完整代码
from bs4 import BeautifulSoup
from urllib import request
import chardet
url = "https://www.huxiu.com"
response = request.urlopen(url)
html = response.read()
charset = chardet.detect(html)
html = html.decode(str(charset["encoding"])) # 设置抓取到的html的编码方式
# 使用剖析器为html.parser
soup = BeautifulSoup(html,'html.parser')
# 获取到每一个class=hot-article-img的a节点
allList = soup.select('.hot-article-img')
#遍历列表，获取有效信息
for news in allList:
 aaa = news.select('a')
 # 只选择长度大于0的结果
 if len(aaa) > 0:
 # 文章链接
 try:#如果抛出异常就代表为空
 href = url + aaa[0]['href']
 except Exception:
 href=''
 # 文章图片url
 try:
 imgUrl = aaa[0].select('img')[0]['src']
 except Exception:
 imgUrl=""
 # 新闻标题
 try:
 title = aaa[0]['title']
 except Exception:
 title = "标题为空"
 print("标题",imgUrl)
 print("==============================================================================================")

数据获取到了我们还要把数据存到数据库，只要存到我们的数据库里，数据库里有数据了，就可以做后面的数据分析处理，也可以用这些爬取来的文章，给app提供新闻api接口，当然这都是后话了
                        
（编辑：李大同）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!