什么是Python爬虫？一篇文章带你全面了解爬虫

大家好，欢迎来到IT知识分享网。

一、什么叫爬虫

爬虫，又名“网络爬虫”，就是能够自动访问互联网并将网站内容下载下来的程序。它也是搜索引擎的基础，像百度和GOOGLE都是凭借强大的网络爬虫，来检索海量的互联网信息的然后存储到云端，为网友提供优质的搜索服务的。

 二、爬虫有什么用

你可能会说，除了做搜索引擎的公司，学爬虫有什么用呢？哈哈，总算有人问到点子上了。打个比方吧：企业A建了个用户论坛，很多用户在论坛上留言讲自己的使用体验等等。现在A需要了解用户需求，分析用户偏好，为下一轮产品迭代更新做准备。那么数据如何获取，当然是需要爬虫软件从论坛上获取咯。所以除了百度、GOOGLE之外，很多企业都在高薪招聘爬虫工程师。你到任何招聘网站上搜“爬虫工程师”看看岗位数量和薪资范围就懂爬虫有多热门了。

三、爬虫的原理

发起请求：通过HTTP协议向目标站点发送请求（一个request），然后等待目标站点服务器的响应。

获取响应内容：如果服务器能正常响应，会得到一个Response。Response的内容便是所要获取的页面内容，响应的内容可能有HTML，Json串，二进制数据（如图片视频）等等。

解析内容：得到的内容可能是HTML，可以用正则表达式、网页解析库进行解析；可能是Json，可以直接转为Json对象解析；可能是二进制数据，可以做保存或者进一步的处理。

保存数据：数据解析完成后，将保存下来。既可以存为文本文档、可以存到数据库中。

四、Python爬虫实例

前面介绍了爬虫的定义、作用、原理等信息，相信有不少小伙伴已经开始对爬虫感兴趣了，准备跃跃欲试呢。那现在就来上“干货”，直接贴上一段简单Python爬虫的代码：

1.前期准备工作：安装Python环境、安装PYCHARM软件、安装MYSQL数据库、新建数据库exam、在exam中建一张用于存放爬虫结果的表格house[SQL语句：create table house(price varchar(88),unit varchar(88),area varchar(88));]

2.爬虫的目标：爬取链家租房网上（url: https://bj.lianjia.com/zufang/）首页中所有链接里的房源的价格、单位及面积，然后将爬虫结构存到数据库中。

3.爬虫源代码：如下

import requests #请求URL页面内容 from bs4 import BeautifulSoup #获取页面元素 import pymysql #链接数据库 import time #时间函数 import lxml #解析库（支持HTML\XML解析，支持XPATH解析） #get_page 函数作用：通过requests的get方法得到url链接的内容，再整合成BeautifulSoup可以处理的格式 def get_page(url): response = requests.get(url) soup = BeautifulSoup(response.text, 'lxml') return soup #get_links 函数的作用：获取列表页所有租房链接 def get_links(link_url): soup = get_page(link_url) links_div = soup.find_all('div',class_="pic-panel") links=[div.a.get('href') for div in links_div] return links #get_house_info函数作用是：获取某一个租房页面的信息：价格、单位、面积等 def get_house_info(house_url): soup = get_page(house_url) price =soup.find('span',class_='total').text unit = soup.find('span',class_='unit').text.strip() area = 'test' #这里area字段我们自定义一个test做测试 info = { '价格':price, '单位':unit, '面积':area } return info #数据库的配置信息写到字典 DataBase ={ 'host': '127.0.0.1', 'database': 'exam', 'user' : '', 'charset' :'utf8mb4'} #链接数据库 def get_db(setting): return pymysql.connect(setting) #向数据库插入爬虫得到的数据 def insert(db,house): values = "'{}',"*2 + "'{}'" sql_values = values.format(house['价格'],house['单位'],house['面积']) sql =""" insert into house(price,unit,area) values({}) """.format(sql_values) cursor = db.cursor() cursor.execute(sql) db.commit() #主程序流程：1.连接数据库 2.得到各个房源信息的URL列表 3.FOR循环从第一个URL开始获取房源具体信息（价格等）4.一条一条地插入数据库 db = get_db(DataBase) links = get_links('https://bj.lianjia.com/zufang/') for link in links: time.sleep(2) house = get_house_info(link) insert(db,house)

首先，“工欲善其事必先利其器”，用Python写爬虫程序也是一样的道理，写爬虫过程中需要导入各种库文件，正是这些及其有用的库文件帮我们完成了爬虫的大部分工作，我们只需要调取相关的借口函数即可。导入的格式就是import库文件名。

这里要注意的是在PYCHARM里安装库文件，可以通过光标放在库文件名称上，同时按ctrl+alt 键的方式来安装，也可以通过命令行（Pip install 库文件名）的方式安装，如果安装失败或者没有安装，那么后续爬虫程序肯定会报错的。在这段代码里，程序前五行都是导入相关的库文件：requests用于请求URL页面内容；BeautifulSoup用来解析页面元素；pymysql用于连接数据库；time包含各种时间函数；lxml是一个解析库，用于解析HTML、XML格式的文件，同时它也支持XPATH解析。

其次，我们从代码最后的主程序开始看整个爬虫流程：

通过get_db函数连接数据库。再深入到get_db函数内部，可以看到是通过调用

Pymysql的connect函数来实现数据库的连接的，这里seting是Python收集关键字参数的一种方式，我们把数据库的连接信息写到一个字典DataBase里了，将字典里的信息传给connect做实参。

通过get_links函数，获取链家网租房首页的所有房源的链接。所有房源的链接以列表形式存在Links里。get_links函数先通过requests请求得到链家网首页页面的内容，再通过BeautifuSoup的接口来整理内容的格式，变成它可以处理的格式。最后通过电泳find_all 函数找到所有包含图片的div样式，再通过一个for循环来获得所有div样式里包含的超链接页签（a）的内容（也就是 href 属性的内容），所有超链接都存放在列表links中。

通过FOR循环，来遍历links中的所有链接（比如其中一个链接是：https://bj.lianjia.com/zufang/101101570737.html）

用和2）同样的方法，通过使用find函数进行元素定位获得3）中链接里的价格、单位、面积信息，将这些信息写到一个字典Info里面。

调用insert函数将某一个链接里得到的Info信息写入数据库的house表中去。深入到insert函数内部，我们可以知道它是通过数据库的游标函数cursor()来执行一段SQL语句然后数据库进行commit操作来实现响应功能。这里SQL语句的写法比较特殊，用

到了format函数来进行格式化，这样做是为了便于函数的复用。

最后，运行一下爬虫代码，可以看到链家网的首页所有房源的信息都写入到数据里了。（注：test是我手动指定的测试字符串）

后记：其实Python爬虫并不难，熟悉整个爬虫流程之后，就是一些细节问题需要注意，比如如何获取页面元素、如何构建SQL语句等等。遇到问题不要慌，看IDE的提示就可以一个个地消灭BUG，最终得到我们预期的结构。

最后

如果对Python感兴趣的话，可以试试我的学习方法以及相关的学习资料

Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具
 

三、精品Python学习书籍

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、Python练习题

检查学习结果。

七、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

大家拿到脑图后，根据脑图对应的学习路线，做好学习计划制定。根据学习计划的路线来逐步学习，正常情况下2个月以内，再结合文章中资料，就能够很好地掌握Python并实现一些实践功能。