所謂網(wǎng)絡爬蟲，通俗的講，就是通過向我們需要的URL發(fā)出http請求，獲取該URL對應的http報文主體內容，之后提取該報文主體中我們所需要的信息。所以，想要學習python爬蟲，需要具備一些http的基礎知識，熟悉http請求的基本過程。在本文中，首先會簡單的介紹一下http請求的基本流程，之后介紹python的requests庫，requests庫可以方便地幫助我們完成http請求。因為本文介紹的是爬取靜態(tài)網(wǎng)頁，所以請求相應的URL之后，我們需要對其中的信息進行提取，這時候就需要BeautifulSoup庫，它可以輕松的找出我們需要的信息，當然，有時候借助正則表達式會更快地幫助我們抽取網(wǎng)頁中我們需要的信息。最后，我們會通過一個例子，對靜態(tài)網(wǎng)頁的爬取過程做一個具體的實現(xiàn)。
http基本知識
當我們通過瀏覽器訪問指定的URL時，需要遵守http協(xié)議。本節(jié)將介紹一些關于http的基礎知識。
http基本流程
我們打開一個網(wǎng)頁的過程，就是一次http請求的過程。這個過程中，我們自己的主機充當著客戶機的作用，而充當客戶端的是瀏覽器。我們輸入的URL對應著網(wǎng)絡中某臺服務器上面的資源，服務器接收到客戶端發(fā)出的http請求之后，會給客戶端一個響應，響應的內容就是請求的URL對應的內容，當客戶端接收到服務器的響應時，我們就可以在瀏覽器上看見請求的信息了。這一過程如下圖所示：
知道了http的基本請求過程，就可以通過代碼進行體驗了。
通過requests發(fā)起http請求
我們可以通過python的requests模塊很方便的發(fā)起http請求。requests模塊是第三方模塊，安裝完成之后直接import就能使用。下面介紹一些簡單的用法，更多的使用方法可以參考如下鏈接：
requests
發(fā)起請求
import requests
# 請求的首部信息
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
}
# 例子的url
url = 'https://voice.hupu.com/nba' # 虎撲nba新聞
# 利用requests對象的get方法，對指定的url發(fā)起請求
# 該方法會返回一個Response對象
res = requests.get(url, headers=headers)
# 通過Response對象的text方法獲取網(wǎng)頁的文本信息
print(res.text)
上面的代碼中，我們向虎撲的服務器發(fā)送了一個get請求，獲取虎撲首頁的nba新聞。headers參數(shù)指的是http請求的首部信息，我們請求的url對應的資源是虎撲nba新聞的首頁。獲取到對應的網(wǎng)頁資源之后，我們需要對其中的信息進行提取。
通過BeautifulSoup提取網(wǎng)頁信息
BeautifulSoup庫提供了很多解析html的方法，可以幫助我們很方便地提取我們需要的內容。我們這里說的BeautifulSoup指的是bs4。當我們成功抓取網(wǎng)頁之后，就可以通過BeautifulSoup對象對網(wǎng)頁內容進行解析。在BeautifulSoup中，我們最常用的方法就是find()方法和find_all()方法，借助于這兩個方法，可以輕松地獲取到我們需要的標簽或者標簽組。關于其他的方法，可以參考bs4的官方文檔：BeautifulSoup
find()方法和find_all()方法的用法如下：
find(name , attrs , recursive , string , **kwargs )
# find_all()方法將返回文檔中符合條件的所有tag，
find_all(name , attrs , recursive , string , **kwargs )
大多情況下我們只會用到前兩個參數(shù)。具體用法如下：
from bs4 import BeautifulSoup
# BeautifulSoup對象接收html文檔字符串
# lxml是html解析器
soup = Beautiful(res.text, 'lxml')
# 下面的方法找出了所有class為hello的span標簽
# 并將所有的結果都放入一個list返回
tags = soup.find_all('span', {'class': 'hello'})
在我們真正開始爬蟲的時候，還需要對網(wǎng)頁的DOM結構進行分析，這樣才能知道應該如何提取我們需要的信息，下面將會結合一個例子對DOM結構進行分析。
靜態(tài)網(wǎng)頁爬蟲實戰(zhàn)
在本節(jié)的例子里面，我們將對虎撲nba首頁所有新聞的標題和來源進行爬取。首先我們導入我們所需要的requests和bs4模塊，然后向目標url發(fā)出get請求獲取首頁的html文檔。具體如下：
import requests
from bs4 import BeautifulSoup
headers = {
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36'
}
url = 'https://voice.hupu.com/nba' # 虎撲nba新聞
res = requests.get(url, headers=headers)
我們的目的是提取新聞的標題和來源，所以下一步需要對新聞首頁的DOM結構進行分析。給出新聞首頁的截圖如下：
畫紅線的部分就是我們要爬取的信息，下面通過chrome控制臺對DOM結構進行分析。結果如下圖：
本著從特殊到一般的思路進行搜索，通過一個新聞信息進行分析，找出所有新聞的共性。通過分析發(fā)現(xiàn)，我們需要的標題信息是一個a標簽對應的內容，然后我們需要向上進行搜索，可見標題信息的上一級是一個h4標簽，h4標簽的上一級是一個class屬性值為list-hd的div標簽，這個div的上一級是一個li標簽。用通過同樣的思路對來源信息進行分析，我們發(fā)現(xiàn)，新聞標題信息和新聞來源信息都在一個li標簽下面，進一步可以發(fā)現(xiàn)，其他的新聞信息都在這類li標簽下，這些li標簽都在class屬性值為news-list的div標簽下，而且整片文檔中，class屬性值為news-list的div標簽也只有這一個。
因此，我們可以從這個div入手，找到這個標簽下的每一個li標簽，對每一個li標簽進行遍歷，每一個li標簽下有唯一的h4標簽，該標簽的文本即為我們要找的標題信息；另外，每一個li標簽下也僅僅有一個class屬性值為comeFrom的span標簽，該span標簽下的a標簽對應的文本就是來源信息。分析結束之后，我們就可以通過bs4進行信息提取了。代碼如下：
soup = BeautifulSoup(res.text, 'lxml')
# 找出class屬性值為news-list的div
news_list = soup.find('div', {'class': 'news-list'})
# 找出news_list下的所有l(wèi)i標簽
news = news_list.find_all('li')
news_titles = []
news_source = []
# 遍歷news
for i in news:
try:
# 提取新聞標題
title = i.find('h4').get_text().strip()
# 提取新聞來源
source = i.find('span', {'class': 'comeFrom'}).find('a').get_text().strip()
# 存儲爬取結果
news_titles.append(title)
news_source.append(source)
print('新聞標題：', title)
print('新聞來源：', source)
print()
except AttributeError as e:
continue
爬取結果如下圖：
如有錯誤，還請指正
