学习python有⼀段时间了，也写了第⼀个爬⾍，⼀直没有时间总结⼀下，学习的时候看了不少博客分享了⾃⼰的爬⾍思路和代码，感觉其中⼀些⽐较冗长且缺乏条理，因此今天希望通过⾃⼰的第⼀个爬⾍来总结下python写爬⾍的思路。
1.写爬⾍的思路和步骤
⾸先要有⼀个⼤致的思路，这样写代码就会⾮常顺畅，那么些爬⾍的思路是什么呢？我认为是根据⾃⼰要写的功能，⼀块⼀块的写。⽐如，我要写⼀个爬⾍实现爬取⽹页指定内容，并保存成⼀个⽂件，那么主要的步骤就应该是：
（1）爬取指定⽹页内容，这⾥利⽤python3的requests模块即可，Python的强⼤之处就是各种现成的模块太好⽤了，所谓前⼈栽树后⼈乘凉，直接调⽤各种功能会打打提⾼效率。requests模块的主要功能就是爬取内容，最常⽤的就是()，填⼊url为地址，这⾥明确两点，⾸先requests模块是⼀个复数，新⼿有时候会写成request单数，导致⽆法识别报错；其次，⽤的内容是HTTP的response体，是⽹页中的HTML源代码中的⼀部分，对这个response可以选择进⾏存储，不过⼀般我们不会在这⾥存储，因为截取的信息不是我们全部都想要。
（2）⽤request获得response的内容之后，因为它是HTML格式的⽂本，所以可能存在各种乱七⼋糟的字符，⽐如空格，以及各种标签，因此我们要对获得的信息进⾏⼀个提取，或者叫数据清洗，去掉其中不需要的数据，这⾥我们主要⽤到的是re模块，对指定的字符进⾏替换，⼀般使⽤re.sub（）进⾏替换，括号内需要填⼊⼀些参数，⼤家可以⾃⾏百度。那么有个问题，我们需要先对数据进⾏⼀个解析或者识别，才能够进⾏替换处理，这时候就要⽤到bs4，我们⼀般⽤它来解析返回的response，将其解析为⽂本，然后再⽤re进⾏替换；⼀般⽤到的代码为：
涂惠源 黄绮珊bs = BeautifulSoup(html, ‘html.parser’)，⾥⾯的参数分别是返回体的格式以及⽤什么解析器解析，参数根据需要调整，不明⽩的可以⾃⾏百度.然后我们⼀般需要获取其中的部分内容，需要给需要获取的内容起个变量名，然后将解析后的内容当做值赋给它，如：
mid=bs.title.string
这⾥mid是我给变量起的名字，赋给它的值是返回包中title标签之间的内容，获取的内容为字符串
（3）获取完内容，也解析好了，就要进⾏数据清洗了，这⾥主要是利⽤re+正则来进⾏清洗，替换掉不想要的字符，那么就需要⽤正则对想删掉的数据进⾏定位，如：我想对上⾯解析后的⽂本，提取其中的⼀部分内容，代码为
username=re.sub(’_.*$’,"",mid)
这⾥username就是我最终经历数据下载、定位、清洗后需要输出的变量，re.sub()中的三个参数分别是，正则表达式，为了进⾏数据匹配和定位；要替换成的字符串（这⾥为空）；要进⾏处理的变量。
（4）终于⾛到最后⼀步，数据处理好后，我们可以直接print，但⼀般数据量⼤的话，希望把它保存在⼀个⽂件中，那么就需要如下代码：fb=open(‘20.txt’,‘w+’,encoding=‘utf-8’)
#20.txt为我们想保存的⽂件名和格式，w+是给⽂本读写权限，encoding指定保存⽂本的编码
柳岩结婚fb.write(username)**
邓超最新消息#将我们获取和处理后的数据写⼊⽂本
总结⼀下，爬⾍⽤到了⼏个关键的东西：
银行保函1.requests，⽤它来给服务器发请求以获得response
2.bs4，⽤来对response的内容进⾏解析，使其变成⽂本，并提取指定的内容（这⾥是提取指定内容，但不是数据清洗，因为是提
浙江湖州旅游取，并没有删除东西）
朱苓<模块，re.sub进⾏数据清洗，把不想要的数据替换掉，如果想删除直接替换成空，这⾥需要⽤到正则表达式，⽽且可以使⽤
response中的HTML标签进⾏定位，只要该标签是唯⼀的就可以作为标志位，感兴趣的可以⾃⼰查查。
4.⾸先新建⼀个变量来打开⼀个空的⽂件，给其赋好⽂件名和格式，然后让该变量调⽤write来把获取的⽂本写⼊⽂件并保存。
2.我的代码
根据以上思路写了⼀个爬⾍，功能为爬取⽬标⽹站title内容中的某些部分（可以通过正则修改想要爬取的东西），贴出代码供参考，也可以对其中的⼀些参数进⾏修改后直接使⽤，可以实现⼀些简单的爬取数据功能，代码如下：
发布评论