Python3 网络爬虫：初识网络爬虫之夜探老王家（2020年最新版）

Posted 2023-03-12 Jack-Cui

一、前言

3年前，我在 csdn 写过 Python3 网络爬虫系列教程，经过三年的积累，累计阅读量近 90W。

同时，我也在 Github 开源了所有 Python3 网络爬虫代码，累积获得 10.3k+ 的 star，4.1k+ 的 fork。

可以说，这个系列教程算是比较成功的，在全国的开源网络爬虫教程项目中，也是排在前几名的。

但是，由于时间太长了，陆陆续续，很多实战示例也早已失效。

网络爬虫，是一门比较通用的基础技术，各个领域都会有所涉及，比如我做视觉算法的，也需要用到网络爬虫，例如调用 API 接口清洗数据等，这本质也都是一个小的爬虫程序。

为了提供各位更好的学习示例，我决定重写这一系列教程，对一些失效的示例，重新找例子，并查缺补漏，完善这一些列教程。

2020年，最新版的 Python3 网络爬虫实战系列教程，我会首发在CSDN、公众号和个人网站上。

公众号：

个人网站：https://cuijiahua.com/

下面进入正题，回到3年前最初的起点，开启 Python3 网路爬虫实战的第一篇：初识网络爬虫。

二、网络爬虫简介

网络爬虫，也叫网络蜘蛛（Web Spider）。它根据网页地址（URL）爬取网页内容，而网页地址（URL）就是我们在浏览器中输入的网站链接。

例如：https://www.baidu.com

URL 专业一些的叫法是统一资源定位符（Uniform Resource Locator），它的一般格式如下（带方括号[]的为可选项）：

protocol :// hostname[:port] / path / [;parameters][?query]#fragment

URL 的格式主要由前个三部分组成：

• protocol：第一部分就是协议，例如百度使用的就是https协议；
• hostname[:port]：第二部分就是主机名（还有端口号为可选参数），一般网站默认的端口号为80，例如百度的主机名就是www.baidu.com，这个就是服务器的地址；
• path：第三部分就是主机资源的具体地址，如目录和文件名等。

网络爬虫就是根据这个 URL 来获取网页信息的。

还是，以百度为例，举个简单的例子：

http://www.baidu.com:80

https://www.baidu.com:443

这两个 URL 都可以打开网页，区别在于一个是 http 协议，一个是 https 协议。

http 协议默认使用的端口是 80，https 协议默认使用的端口是 443。

每一个 URL 的背后，其实都是对应着一台服务器的，甚至成千上万台。

通俗一点讲，URL 就是每个服务器的地址。例如，老王家住在北京市朝阳区，老李家住在北京市海淀区。

你想串门溜达去，就得通过这个 URL 家庭地址，找到他们。

如果有一天，你想去老王家，跟他老婆聊聊天，你仅仅知道老王家住在北京市朝阳区是不够的。

因为，你还得知道他家在哪个楼，几单元，几零几。

对应 ULR 上，也就是你光知道 hostname 不够，你还得有个更详细的地址，那就得补充 path：

https://cuijiahua.com/blog/spider/

比如，cuijiahua.com 是我的 hostname，想找到爬虫系列的文章，还得去 blog 目录下的 spider 目录下找，这个就是具体的地址 path。

老王家的详细家庭住址知道了，如果你还想夜晚去，并且趁着老王不在，与老王的老婆聊聊天。

 

那这个情况就有点复杂了。不仅需要知道 protocol 、hostname 和 path，你还得满足一些条件，这个条件就是 [;parameters][?query]#fragment，这些东西。

比如，为了完成此次夜探老王家的目标，你可能大概需要这样的 URL：

https://chaoyanglaowang.com/2haolou/3danyuan/702/s?laowangzaiji=0&baitian=0

这个 URL 的意思就是，baitian=0表明是晚上，laowangzaiji=0表示老王不在家，在满足这个条件的时候，你进了2号楼3单元702的朝阳区老王家，就可以夜探老王家了。

?laowangzaiji=0&baitian=0，这是一种询问，在这个条件下访问。

够通俗易懂了吧！

三、审查元素

在讲解爬虫内容之前，我们需要先学习一项写爬虫的必备技能：审查元素。

在浏览器的地址栏输入 URL 地址，在网页处右键单击，找到检查。(不同浏览器的叫法不同，Chrome 浏览器叫做检查，Firefox 浏览器叫做查看元素，但是功能都是相同的)

我们可以看到，右侧出现了一大推代码，这些代码就叫做 html 。什么是 HTML ？举个容易理解的例子：我们的基因决定了我们的原始容貌，服务器返回的 HTML 决定了网站的原始容貌。

为啥说是原始容貌呢？因为人可以整容啊！扎心了，有木有？那网站也可以"整容"吗？可以！请看下图：

我能有这么多钱吗？显然不可能。我是怎么给网站"整容"的呢？就是通过修改服务器返回的 HTML 信息。我们每个人都是"整容大师"，可以修改页面信息。我们在页面的哪个位置点击审查元素，浏览器就会为我们定位到相应的 HTML 位置，进而就可以在本地更改 HTML 信息。

再举个小例子：我们都知道，使用浏览器"记住密码"的功能，密码会变成一堆小黑点，是不可见的。可以让密码显示出来吗？可以，只需给页面"动个小手术"！以淘宝为例，在输入密码框处右键，点击检查。

可以看到，浏览器为我们自动定位到了相应的 HTML 位置。将下图中的 password 属性值改为 text属性值（直接在右侧代码处修改）：

我们让浏览器记住的密码就这样显现出来了：

说这么多，什么意思呢？浏览器就是作为客户端从服务器端获取信息，然后将信息解析，并展示给我们的。我们可以在本地修改 HTML 信息，为网页"整容"，但是我们修改的信息不会回传到服务器，服务器存储的 HTML 信息不会改变。刷新一下界面，页面还会回到原本的样子。这就跟人整容一样，我们能改变一些表面的东西，但是不能改变我们的基因。

四、简单实例

网络爬虫的第一步就是根据 URL ，获取网页的 HTML 信息。在 Python3 中，可以使用 urllib.request 和 requests 进行网页爬取。

• urllib 库是 Python 内置的，无需我们额外安装，只要安装了 Python 就可以使用这个库。
• requests 库是第三方库，需要我们自己安装。

requests 库强大好用，后续文章的实例，也都是以此为基础进行讲解。requests 库的 github 地址：

https://github.com/requests/requests

1、requests 安装

在 cmd 中，使用如下指令安装 requests ：

pip install requests
或者：
easy_install requests

2、简单示例

requests 库的基础方法如下：

官方中文教程地址：点击查看

requests 库的开发者为我们提供了详细的中文教程，查询起来很方便。

首先，让我们看下 requests.get() 方法，它用于向服务器发起 GET 请求，不了解 GET 请求没有关系。

我们可以这样理解：get 的中文意思是得到、抓住，那这个 requests.get() 方法就是从服务器得到、抓住数据，也就是获取数据。让我们看一个例子(以fanyi.baidu.com为例)来加深理解：

# -*- coding:UTF-8 -*-
import requests

if __name__ == '__main__':
    target = "http://fanyi.baidu.com/"
    req = requests.get(url = target)
    req.encoding = 'utf-8'
    print(req.text)

requests.get() 方法必须设置的一个参数就是 url ，因为我们得告诉 GET 请求，我们的目标是谁，我们要获取谁的信息。运行程序看下结果：

这，就是最简单的，网络爬虫。

五、总结

本文对网络爬虫的基础进行了讲解，此系列文章为该系列的开篇之作。

后续的文章，会以生动有趣的实例，带大家一起玩转 Python3 网络爬虫。

参考链接（我参考我自己）：

• https://blog.csdn.net/c406495762/article/details/78123502
• https://blog.csdn.net/c406495762/article/details/58716886

原创不易，您的点赞是对我最大的支持~