首先推荐几个 必须要掌握的类库

Requests: HTTP for Humans

它是以这么一句话介绍自己的，为人类使用的HTTP库

http://docs.python-requests.org/zh_CN/latest/user/quickstart.html 中文文档

Beautifulsoup

用Beautiful Soup解析网站源代码 代替正则

https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html 中文文档

开发环境:Mac

IDE:PyCharm (个人感觉非常好用)

游览器:Safari

第一步 我们进行最简单的爬虫 我选择的目标是 糗事百科 https://www.qiushibaike.com/text/

我们所需要的 就是 红框里这些文字 其余乱七八糟的广告 我们压根也不用 怎么办呢? Safari游览器中 右键点击 检查元素

好了 所需的内容 就在这里面 但是这个只是个标题 内容 在点击进去的详情页 ，我们随便打开一个

/article/121341501 注意这个后缀 https://www.qiushibaike.com/article/121341501 前缀+后缀 就是每一篇笑话的详情

那么我们首要的目的 就是要找到这个后缀列表

开始编写代码时 我们需要 安装所需的类库 网上很多教程 都是从命令行里安装 倒是也可以 但是用Pycharm里面有更方便的办法.

我使用的IDE是 PyCharm 安装request BeautifulSoup方法如下 :点击 Pycharm->Preferences

点击 Install Package 就可以安装了

好了 现在开始进入正题

我们所需的href 都在 content-left 这下面 那我们就解析他

解释一下 这个模拟请求 是我用charles抓包得到的 你可以换成 你对应的请求 自己下载一个charles搞定 就行

通过解析 div 标签 content-left下面的 article 得到 一个列表数组 也就是我们所需的文章详情链接

按照上面代码 执行后 ：

我们得到了 每个列表 所对应的文章详情链接

接下来 我们 再抓去 每个 详情的链接

通过 观察得知 文章在div class="content" 里面 作者 在href里面的 继续爬

抓包的数据 如上

这样 通过一个简单的抓包教程 我们就完成了 虽然没有太多技术含量 献给和我一样 刚开始学习爬虫的朋友

完整代码如下

import requests

from bs4 import BeautifulSoup

import html5lib

import pymysql

def getRequestUrl():

#模拟请求

headers = {"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/11.1.2 Safari/605.1.15"}

response = requests.get("https://www.qiushibaike.com/text",headers=headers)

soup = BeautifulSoup(response.content, "html5lib") #解析内容

listSoup = soup.find("div",id="content-left") #找到列表listSoup

article_list = listSoup.find_all("div", class_="article") #找到文章列表

for list in article_list:

#获得文章详情链接

detailUrl = list.find(class_="contentHerf")["href"]

getDetailUrl(detailUrl)

def getDetailUrl(url):

#得到文章详情

detailUrl = ("https://www.qiushibaike.com%s"%url)

print(detailUrl)

headers = {

"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/605.1.15 (KHTML, like Gecko) Version/11.1.2 Safari/605.1.15"}

response = requests.get(detailUrl,headers=headers)

#result = response.content.decode("utf-8") #处理乱码

soup = BeautifulSoup(response.content, "html5lib")

author = soup.find("a",class_="side-left-userinfo").find("img")["alt"] #获得作者

print("作者:%s"%author)

content = soup.find("div",class_="content").get_text() #获得文章

print("文章:%s"%content)

if __name__ =="__main__":

getRequestUrl()