一、什么叫爬蟲
爬蟲，又名“網(wǎng)絡(luò)爬蟲”，就是能夠自動(dòng)訪問互聯(lián)網(wǎng)并將網(wǎng)站內(nèi)容下載下來的程序。它也是搜索引擎的基礎(chǔ)，像百度和GOOGLE都是憑借強(qiáng)大的網(wǎng)絡(luò)爬蟲，來檢索海量的互聯(lián)網(wǎng)信息的然后存儲(chǔ)到云端，為網(wǎng)友提供優(yōu)質(zhì)的搜索服務(wù)的。
二、爬蟲有什么用
你可能會(huì)說，除了做搜索引擎的公司，學(xué)爬蟲有什么用呢？哈哈，總算有人問到點(diǎn)子上了。打個(gè)比方吧：企業(yè)A建了個(gè)用戶論壇，很多用戶在論壇上留言講自己的使用體驗(yàn)等等?，F(xiàn)在A需要了解用戶需求，分析用戶偏好，為下一輪產(chǎn)品迭代更新做準(zhǔn)備。那么數(shù)據(jù)如何獲取，當(dāng)然是需要爬蟲軟件從論壇上獲取咯。所以除了百度、GOOGLE之外，很多企業(yè)都在高薪招聘爬蟲工程師。你到任何招聘網(wǎng)站上搜“爬蟲工程師”看看崗位數(shù)量和薪資范圍就懂爬蟲有多熱門了。
三、爬蟲的原理
發(fā)起請求：通過HTTP協(xié)議向目標(biāo)站點(diǎn)發(fā)送請求（一個(gè)request），然后等待目標(biāo)站點(diǎn)服務(wù)器的響應(yīng)。
獲取響應(yīng)內(nèi)容：如果服務(wù)器能正常響應(yīng)，會(huì)得到一個(gè)Response。Response的內(nèi)容便是所要獲取的頁面內(nèi)容，響應(yīng)的內(nèi)容可能有HTML，Json串，二進(jìn)制數(shù)據(jù)（如圖片視頻）等等。
解析內(nèi)容：得到的內(nèi)容可能是HTML，可以用正則表達(dá)式、網(wǎng)頁解析庫進(jìn)行解析；可能是Json，可以直接轉(zhuǎn)為Json對象解析；可能是二進(jìn)制數(shù)據(jù)，可以做保存或者進(jìn)一步的處理。
保存數(shù)據(jù)：數(shù)據(jù)解析完成后，將保存下來。既可以存為文本文檔、可以存到數(shù)據(jù)庫中。
四、Python爬蟲實(shí)例
前面介紹了爬蟲的定義、作用、原理等信息，相信有不少小伙伴已經(jīng)開始對爬蟲感興趣了，準(zhǔn)備躍躍欲試呢。那現(xiàn)在就來上“干貨”，直接貼上一段簡單Python爬蟲的代碼：
1.前期準(zhǔn)備工作：安裝Python環(huán)境、安裝PYCHARM軟件、安裝MYSQL數(shù)據(jù)庫、新建數(shù)據(jù)庫exam、在exam中建一張用于存放爬蟲結(jié)果的表格house [SQL語句：create table house(price varchar(88),unit varchar(88),area varchar(88));]
2.爬蟲的目標(biāo)：爬取某租房網(wǎng)上首頁中所有鏈接里的房源的價(jià)格、單位及面積，然后將爬蟲結(jié)構(gòu)存到數(shù)據(jù)庫中。
3.爬蟲源代碼：如下
import requests #請求 URL 頁面內(nèi)容
from bs4 import BeautifulSoup #獲取頁面元素
import pymysql #鏈接數(shù)據(jù)庫
import time #時(shí)間函數(shù)
import lxml #解析庫（支持 HTML\XML 解析，支持 XPATH 解析）
#get_page 函數(shù)作用：通過 requests 的 get 方法得到 url 鏈接的內(nèi)容，再整合成BeautifulSoup 可以處理的格式
def get_page(url):
response = requests.get(url)
soup = BeautifulSoup(response.text, 'lxml')
return soup
#get_links 函數(shù)的作用：獲取列表頁所有租房鏈接
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 函數(shù)作用是：獲取某一個(gè)租房頁面的信息：價(jià)格、單位、面積等
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' #這里 area 字段我們自定義一個(gè) test 做測試
info = {
'價(jià)格':price,
'單位':unit,
'面積':area
}
return info
#數(shù)據(jù)庫的配置信息寫到字典
DataBase ={
'host': '127.0.0.1',
'database': 'exam',
'user' : 'root',
'password' : 'root',
'charset' :'utf8mb4'}
#鏈接數(shù)據(jù)庫
def get_db(setting):
return pymysql.connect(**setting)
#向數(shù)據(jù)庫插入爬蟲得到的數(shù)據(jù)
def insert(db,house):
values = ''{}','*2 + ''{}''
sql_values = values.format(house['價(jià)格'],house['單位'],house['面積'])
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.連接數(shù)據(jù)庫 2.得到各個(gè)房源信息的 URL 列表 3.FOR 循環(huán)從第一個(gè) URL 開始獲取房源具體信息（價(jià)格等）4.一條一條地插入數(shù)據(jù)庫
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 寫爬蟲程序也是一樣的道理，寫爬蟲過程中需要導(dǎo)入各種庫文件，正是這些及其有用的庫文件幫我們完成了爬蟲的大部分工作，我們只需要調(diào)取相關(guān)的借口函數(shù)即可。導(dǎo)入的格式就是 import 庫文件名。這里要注意的是在 PYCHARM 里安裝庫文件，可以通過光標(biāo)放在庫文件名稱上，同時(shí)按ctrl+alt 鍵的方式來安裝，也可以通過命令行（Pip install 庫文件名）的方式安裝，如果安裝失敗或者沒有安裝，那么后續(xù)爬蟲程序肯定會(huì)報(bào)錯(cuò)的。在這段代碼里，程序前五行都是導(dǎo)入相關(guān)的庫文件：requests 用于請求 URL 頁面內(nèi)容；BeautifulSoup 用來解析頁面元素；pymysql 用于連接數(shù)據(jù)庫；time 包含各種時(shí)間函數(shù)；lxml 是一個(gè)解析庫，用于解析 HTML、XML 格式的文件，同時(shí)它也支持 XPATH 解析。
其次，我們從代碼最后的主程序開始看整個(gè)爬蟲流程：
通過 get_db 函數(shù)連接數(shù)據(jù)庫。再深入到 get_db 函數(shù)內(nèi)部，可以看到是通過調(diào)用Pymysql 的 connect 函數(shù)來實(shí)現(xiàn)數(shù)據(jù)庫的連接的，這里**seting 是 Python 收集關(guān)鍵字參數(shù)的一種方式，我們把數(shù)據(jù)庫的連接信息寫到一個(gè)字典 DataBase 里了，將字典里的信息傳給 connect 做實(shí)參。
通過 get_links 函數(shù)，獲取鏈家網(wǎng)租房首頁的所有房源的鏈接。所有房源的鏈接以列表形式存在 Links 里。get_links 函數(shù)先通過 requests 請求得到鏈家網(wǎng)首頁頁面的內(nèi)容，再通過 BeautifuSoup 的接口來整理內(nèi)容的格式，變成它可以處理的格式。最后通過電泳find_all 函數(shù)找到所有包含圖片的 div 樣式，再通過一個(gè) for 循環(huán)來獲得所有 div 樣式里包含的超鏈接頁簽（a）的內(nèi)容（也就是 href 屬性的內(nèi)容），所有超鏈接都存放在列表links 中。
通過 FOR 循環(huán)，來遍歷 links 中的所有鏈接（比如其中一個(gè)鏈接是：https://bj.lianjia.com/zufang/101101570737.html）
用和 2）同樣的方法，通過使用 find 函數(shù)進(jìn)行元素定位獲得 3）中鏈接里的價(jià)格、單位、面積信息，將這些信息寫到一個(gè)字典 Info 里面。
調(diào)用 insert 函數(shù)將某一個(gè)鏈接里得到的 Info 信息寫入數(shù)據(jù)庫的 house 表中去。深入到 insert 函數(shù)內(nèi)部，我們可以知道它是通過數(shù)據(jù)庫的游標(biāo)函數(shù) cursor()來執(zhí)行一段 SQL語句然后數(shù)據(jù)庫進(jìn)行 commit 操作來實(shí)現(xiàn)響應(yīng)功能。這里 SQL 語句的寫法比較特殊，用到了 format 函數(shù)來進(jìn)行格式化，這樣做是為了便于函數(shù)的復(fù)用。
最后，運(yùn)行一下爬蟲代碼，可以看到鏈家網(wǎng)的首頁所有房源的信息都寫入到數(shù)據(jù)里了。（注：test 是我手動(dòng)指定的測試字符串）
后記：其實(shí) Python 爬蟲并不難，熟悉整個(gè)爬蟲流程之后，就是一些細(xì)節(jié)問題需要注意，比如如何獲取頁面元素、如何構(gòu)建 SQL 語句等等。遇到問題不要慌，看 IDE 的提示就可以一個(gè)個(gè)地消滅 BUG，最終得到我們預(yù)期的結(jié)構(gòu)。
聯(lián)系客服
