python爬虫入门

大家好，又见面了，我是你们的朋友全栈君。

毕设是做爬虫相关的，本来想的是用java写，也写了几个爬虫，其中一个是爬网易云音乐的用户信息，爬了大概100多万，效果不是太满意。之前听说Python这方面比较强，就想用Python试试，之前也没用过Python。所以，边爬边学，边学边爬。废话不多说，进入正题。

　　1.首先是获取目标页面，这个对用python来说，很简单

#encoding=utf8
import urllib

res = urllib.urlopen("http://www.baidu.com")
print res.read()

　　运行结果和打开百度页面，查看源代码一样。这里针对python的语法有几点说明。

　　　　a).import 就是引入的意思，java也用import，C/C++用的是include，作用一样

　　　　b).urllib 这个是python自带的模块，在以后开发的时候，如果遇到自己需要的功能，python自带的模块中没有的时候，可以试着去网上找一找，比如需要操作MySql数据　　库，这个时候python是没有自带的，就可以在网上找到MySQLdb，然后安装引入就行了。

　　　　c).res是一个变量，不用像java，C语言那样声明。用的时候直接写就行了

　　　　d).标点符号。像java，C这些语言，每行代码后面都要用分号或者别的符号，作为结束标志，python不用，用了反了会出错。不过有的时候，会用标点符号，比如冒号，　　这个后面再说

　　　　e).关于print，在python2.7中，有print()函数，也有print 语句，作用基本差不多。

　　　　f).#注释

　　　　g).encoding=utf8代表使用utf8编码，这个在代码中有中文的时候特别有用

　　2.解析获取的网页中的元素，取得自己想要的，以豆瓣为例，我们想获取这个页面中的所有书籍名称（仅供学习交流）

　　http://www.douban.com/tag/%E5%B0%8F%E8%AF%B4/?focus=book

　　首先获取页面代码：

#encoding=utf8
import urllib
res = urllib.urlopen("http://www.douban.com/tag/%E5%B0%8F%E8%AF%B4/?focus=book")
print res.read()

　　获取结果，通过分析页面源代码（建议用firefox浏览器，按F12，可看到源代码），可以定位到有效代码如下：

　　下面我们开始解析（这里用BeautifulSoup，自行下载安装），基本流程：

　　　　a).缩小范围,这里我们通过id=”book”获取所有的书

　　　　b).然后通过class=”title”，遍历所有的书名。

　　代码如下：　　

#encoding=utf8
import urllib
import BeautifulSoup

res = urllib.urlopen("http://www.douban.com/tag/%E5%B0%8F%E8%AF%B4/?focus=book")
soup = BeautifulSoup.BeautifulSoup(res)
book_div = soup.find(attrs={"id":"book"})
book_a = book_div.findAll(attrs={"class":"title"})
for book in book_a:
    print book.string

　　代码说明：

　　　　a).book_div　 　　通过id=book获取div标签

　　　　b).book_a　　　　通过class=”title”获取所有的book  a标签

　　　　c).for循环 　　　　是遍历book_a所有的a标签

　　　　d).book.string　　是输出a标签中的内容

　　结果如下：

　　3.存储获取的数据，比如写入数据库，我的数据库用的Mysql，这里就以Mysql为例（下载安装MySQLdb模块这里不做叙述），只写怎么执行一条sql语句

　　代码如下：

connection = MySQLdb.connect(host="***",user="***",passwd="***",db="***",port=3306,charset="utf8")
cursor = connection.cursor()
sql = "*******"
sql_res = cursor.execute(sql)
connection.commit()
cursor.close()
connection.close()

　　说明：

　　　　a).这段代码是执行sql语句的流程，针对不同的sql语句，会有不同的处理。比如，执行select的语句，我怎么获取执行的结果，执行update语句，怎么之后成没成功。这　　些就要自己动手了

　　　　b).创建数据库的时候一定要注意编码，建议使用utf8

　　4.至此，一个简单的爬虫就完成了。之后是针对反爬虫的一些策略，比如，用代理突破ip访问量限制