怎么实现python爬虫-创新互联

这篇文章主要为大家展示了“怎么实现python爬虫”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“怎么实现python爬虫”这篇文章吧。

　　一：爬虫准备

　　1.爬虫首先需要做的事情就是要确定好你想要爬取数据的对象，这里我将以百度主页logo图片的地址为例进行讲解。

　　2.首先，是打开百度主页界面，然后把鼠标移动到主页界面的百度logo图标上面，点击鼠标右键，然后点击审查元素，即可打开开发者界面。

　　3.然后再下面的界面里面，可以看到该logo图标在HTML里面的排版模式，，这里百度我用字替换了。

　　二：开始爬虫

　　1.爬虫主要分为两个部分，第一个是网页界面的获取，第二个是网页界面的解析;爬虫的原理是利用代码模拟浏览器访问网站，与浏览器不同的是，爬虫获取到的是网页的源代码，没有了浏览器的翻译效果。

　　2.首先，我们进行页面获取，python爬虫的话很多模块包提供给开发者直接抓取网页，urllib，urllib2，requests(urllib3)等等，这里我们使用urllib2进行网站页面的获取;首先导入urllib2模块包(该包是默认安装的)：import urllib2

　　3.导入模块包之后，然后调用urllib2中的urlopen方法链接网站，代码如下repr = urllib2.urlopen("XXXXXX"),XXXXXX代表的是网站名称。

　　4.得到网站的响应之后，然后就是将页面的源代码读取出来，调用read方法，html = repr.read()

　　5.获取到页面的源代码之后，然后接下来的工作就是将自己想要的数据从html界面源代码中解析出来，解析界面的模块包有很多，原始的re，好用的BeautifulSoup，以及高大上的lxml等等，这里我就简单的用re介绍介绍，首先导入re模块包：import re

　　6.然后进行利用re进行搜索，这里我有使用正则表达式，看不懂的同学需去补充点正则表达式方面的知识。

　　7.然后，我这里就实现了一个简单的爬虫流程，打印url，可以看见刚好就是之前我们看见的百度主页logo的地址。

　　8.源代码：

　　import urllib2

　　repr = urllib2.urlopen("URL")

　　html = repr.read()

　　import re

　　省略一行代码

　　print url

以上是“怎么实现python爬虫”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注创新互联行业资讯频道！