知乎千赞 | 疫情在家能get什么新技能？ - 编程

以下原文

get新技能，学习写爬虫？！

一、为啥学爬虫？

看到一个帖子，有人用python爬虫在京东抢口罩，实现实时监测、实时抢购。

可以说很调皮了~

这是爬虫在电商领域的一个小应用，除此之外你还能使用爬虫进行：商品抓取、价格监控、评论抓取、竞品分析、动态定价等等。

其他领域，你可以使用爬虫做：房源监控分析、网络舆情监测、精准客户获取、新闻资讯筛选、地信数据抓取、金融股票分析等等。

这些对于从事相关行业的分析人员还是很有学习意义的。

当然你还可以用爬虫搞一下骚操作：知乎妹子高清图片、言情小说、b站学习视频、豆瓣电影书籍、抖音美女视频......这些都可以爬下来收藏。[逃

之前一直很火的用python登录12306抢票，也是爬虫的杰作，不过现在越来越难了，各种反爬设置。大家有兴趣可以去github上看一下这个项目开源代码。

学爬虫当然离不开python，所以这10天你还能get python编程，当今最火的AI编程语言。

当然你也可以用集成好的第三方软件来爬，像八爪鱼、后羿之类的，但我还是建议用python来写爬虫，能学到更多东西。

二、什么是爬虫？

爬虫是一个形象的叫法，网络爬虫其实是网络数据采集，针对性地用代码实现网络上各种数据（文字、图片、视频）的抓取。我们熟知的谷歌、百度等搜索引擎，也是使用的爬虫技术。

通俗点说，爬虫就像是一个穿梭于网络世界的智能蜘蛛，你给它一个网址（url），然后设定规则，它就能突破重重险阻，把你想要的数据抓取下来，然后保存。

能实现爬虫的语言有很多，像Java、PHP、Python、C#...都可以用各种方式达到你的要求，那为什么要用python呢？

人生苦短，python当歌！

python是一门高级编程语言，语法简介，十分适合初学者。因此拥有了超级强大的开发社区，捣鼓出各种神奇的第三方库，比如requests、beautifulsoup、scrapy、xpath、selenium等，都是爬虫界的利器。

当然网络爬虫有利有弊，你可以爬人家的数据，但也要承担可能存在的法律风险。慎重！

三、python爬虫有些学习资源？

本来想先简单介绍一下如何学习python爬虫，但还是先把学习资源讲一讲，毕竟好多资源控￣□￣

对于小白来说，首先是学习python语法。

python学习家族有三个派别：视频派、教程派、书籍派。

喜欢看视频的就去b站吧，python视频教学相当丰富，选择播放量前几名的系统学习下，听说小甲鱼的就还不错。

当然有钱的你，可以选择一些网上课程，像腾讯课堂、网易云课堂里面的课。

不要问为什么，花钱买心安。比如我猜大方的你，会打赏这篇回答[hah

教程派的选择很多了，像菜鸟教程、w3cschool、廖雪峰、python官档...

推荐大家先看菜鸟教程、再看廖雪峰，官档随时查询。

再推荐几个可能会用到的python学习资源：

Python简明教程（Python3）^[1]
Python3.7.4官方中文文档^[2]
Python标准库中文版^[3]
廖雪峰 Python 3 中文教程^[4]
Python 3.3 官方教程中文版^[5]
Python3 Cookbook 中文版^[6]
笨办法学 Python^{[7] (PDF^{[8]EPUB^[9])}}
《Think Python 2e》最新版中文^[10]
Python 核心编程第二版中文^[11]
菜鸟教程 Python3基础^[12]
W3cschool Python3基础^[13]
Python最佳实践指南^[14]
Python 精要教程^[15]
Python进阶中文版^[16]
中文 Python 笔记^[17]
莫烦python教程^[18]
The Hitchhiker's Guide to Python^[19]
草根学 Python^[20]
Kaggle Python基础学习（英文）^[21]
李笑来-自学是门手艺-python教程^[22]

对于书籍派来说，买一本扎实的python语法书，确实是必须的。

我之前用过的像《python编程从入门到实践》、《笨方法学python3》，都是适合初学者看的。

爬虫的学习资源也非常多。

像崔庆才大佬的网站、b站视频、官方文档、爬虫教材等，下面给大家参考：

awesome-spider 爬虫集合^[23]
python模拟登陆&爬虫^[24]
Python爬虫代理IP池(proxy pool)^[25]
Python入门网络爬虫之精华版^[26]
Python3网络爬虫实战^[27]
有趣的Python爬虫和Python数据分析小项目^[28]
Python入门爬虫^[29]
Requests 英文文档^[30]
Requests 中文文档^[31]
Scrapy 英文文档^[32]
Scrapy 中文文档^[33]
Pyspider 英文文档^[34]
BeautifulSoup中文文档^[35]
BeautifulSoup英文文档^[36]
Xpath教程^[37]
崔庆才网站^[38]

还有一本python爬虫书也是很不错的，适合入门。

image.png

四、如何入门python爬虫？

终于讲到入门实操了，之前我写过一个爬虫入门回答，这里搬运过来。

前言

本文针对初学者，我会用最简单的案例告诉你如何入门python爬虫！

想要入门Python 爬虫首先需要解决四个问题

熟悉python编程
了解HTML
了解网络爬虫的基本原理
学习使用python爬虫库

1、你应该知道什么是爬虫？

网络爬虫，其实叫作网络数据采集更容易理解。

就是通过编程向网络服务器请求数据（HTML表单），然后解析HTML，提取出自己想要的数据。

归纳为四大步：

根据url获取HTML数据
解析HTML，获取目标信息
存储数据
重复第一步

这会涉及到数据库、网络服务器、HTTP协议、HTML、数据科学、网络安全、图像处理等非常多的内容。但对于初学者而言，并不需要掌握这么多。

2、python要学习到什么程度

如果你不懂python，那么需要先学习python这门非常easy的语言（相对其它语言而言）。

编程语言基础语法无非是数据类型、数据结构、运算符、逻辑结构、函数、文件IO、错误处理这些，学起来会显枯燥但并不难。

刚开始入门爬虫，你甚至不需要去学习python的类、多线程、模块之类的略难内容。找一个面向初学者的教材或者网络教程，花个十几天功夫，就能对python基础有个三四分的认识了，这时候你可以玩玩爬虫喽！

当然，前提是你必须在这十几天里认真敲代码，反复咀嚼语法逻辑，比如列表、字典、字符串、if语句、for循环等最核心的东西都得捻熟于心、于手。

教材方面比较多选择，我个人是比较推荐python官方文档以及python简明教程，前者比较系统丰富、后者会更简练。

3、为什么要懂HTML

前面说到过爬虫要爬取的数据藏在网页里面的HTML里面的数据，有点绕哈！

维基百科是这样解释HTML的：

超文本标记语言（英语：HyperTextMarkupLanguage，简称：HTML）是一种用于创建网页^{[39]的标准标记语言^{[40]。HTML是一种基础技术，常与CSS^{[41]、JavaScript^{[42]一起被众多网站用于设计网页、网页应用程序以及移动应用程序的用户界面[3]^{[43]。网页浏览器^{[44]可以读取HTML文件，并将其渲染成可视化网页。HTML描述了一个网站的结构语义随着线索的呈现，使之成为一种标记语言而非编程语言^[45]。}}}}}}

总结一下，HTML是一种用于创建网页的标记语言，里面嵌入了文本、图像等数据，可以被浏览器读取，并渲染成我们看到的网页样子。

所以我们才会从先爬取HTML，再解析数据，因为数据藏在HTML里。

学习HTML并不难，它并不是编程语言，你只需要熟悉它的标记规则，这里大致讲一下。

HTML标记包含标签（及其属性）、基于字符的数据类型、字符引用和实体引用等几个关键部分。

HTML标签是最常见的，通常成对出现，比如<**h1**>与</**h1**>。

这些成对出现的标签中，第一个标签是开始标签，第二个标签是结束标签。两个标签之间为元素的内容（文本、图像等），有些标签没有内容，为空元素，如<**img**>。

以下是一个经典的Hello World^{[46]程序的例子：}

<!DOCTYPE html>
<html>
  <head>
    <title>This is a title</title>
  </head>
  <body>
    <p>Hello world!</p>
  </body>
</html>

HTML文档由嵌套的HTML元素构成。它们用HTML标签表示，包含于尖括号中，如<**p**>[56]^[47]

在一般情况下，一个元素由一对标签表示：“开始标签”<**p**>与“结束标签”</**p**>。元素如果含有文本内容，就被放置在这些标签之间。

4、了解python网络爬虫的基本原理

在编写python爬虫程序时，只需要做以下两件事：

发送GET请求，获取HTML
解析HTML，获取数据

这两件事，python都有相应的库帮你去做，你只需要知道如何去用它们就可以了。

5、用python库爬取百度首页标题和图片

首先，发送HTML数据请求可以使用python内置库urllib，该库有一个urlopen函数，可以根据url获取HTML文件。

这里尝试获取百度首页“https://www.baidu.com/^{[48]”的HTML内容：}

# 导入urllib库的urlopen函数
from urllib.request import urlopen
# 发出请求，获取html
html = urlopen("https://www.baidu.com/")
# 获取的html内容是字节，将其转化为字符串
html_text = bytes.decode(html.read())
# 打印html内容
print(html_text)

看看效果：

我们看一下真正百度首页html是什么样的，如果你用的是谷歌浏览器，在百度主页打开设置>更多工具>开发者工具，点击element，就可以看到了：

对比一下你就会知道，刚才通过python程序获取到的HTML和网页中的一样！

获取了HTML之后，接下就要解析HTML了，因为你想要的文本、图片、视频都藏在HTML里，你需要通过某种手段提取需要的数据。

python同样提供了非常多且强大的库来帮助你解析HTML，这里以著名的python库BeautifulSoup为工具来解析上面已经获取的HTML。

BeautifulSoup是第三方库，需要安装使用。

在命令行用pip安装就可以了：

pip install bs4

BeautifulSoup会将HTML内容转换成结构化内容，你只要从结构化标签里面提取数据：

比如，我想获取百度首页的标题“百度一下，我就知道”，怎么办呢？

这个标题是被两个标签套住的，一个是一级标签<head><head>,另一个是二级标签<title><title>，所以只要从标签中取出信息：

# 导入urlopen函数
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 请求获取HTML
html = urlopen("http://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 打印标题
print(title)

看看结果：

这样就搞定了，成功提取出百度首页的标题。

如果我想要下载百度首页logo图片呢？

第一步先获取该网页所有图片标签和url，这个可以使用BeautifulSoup的findAll方法，它可以提取包含在标签里的信息。

一般来说，HTML里所有图片信息会在“img”标签里，所以我们通过findAll("img")就可以获取到所有图片的信息。

# 导入urlopen
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 请求获取HTML
html = urlopen("http://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 使用find_all函数获取所有图片的信息
pic_info = obj.find_all('img')
# 分别打印每个图片的信息
for i in pic_info:
    print(i)

看看结果：

打印出了所有图片的属性，包括class（元素类名）、src（链接地址）、长宽高等。

其中有百度首页logo的图片，该图片的class（元素类名）是index-logo-src。

[<img class="index-logo-src" height="129" hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" usemap="#mp" width="270"/>, <img alt="到百度首页" class="index-logo-src" src="//www.baidu.com/img/baidu_jgylogo3.gif" title="到百度首页"/>]

可以看到图片的链接地址在src这个属性里，我们要获取图片链接地址：

# 导入urlopen
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 请求获取HTML
html = urlopen("http://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 只提取logo图片的信息
logo_pic_info = obj.find_all('img',class_="index-logo-src")
# 提取logo图片的链接
logo_url = "https:"+logo_pic_info[0]['src']
# 打印链接
print(logo_url)

结果：

获取地址后，就可以用urllib.urlretrieve函数下载logo图片：

# 导入urlopen
from urllib.request import urlopen
# 导入BeautifulSoup
from bs4 import BeautifulSoup as bf
# 导入urlretrieve函数，用于下载图片
from urllib.request import urlretrieve
# 请求获取HTML
html = urlopen("http://www.baidu.com/")
# 用BeautifulSoup解析html
obj = bf(html.read(),'html.parser')
# 从标签head、title里提取标题
title = obj.head.title
# 只提取logo图片的信息
logo_pic_info = obj.find_all('img',class_="index-logo-src")
# 提取logo图片的链接
logo_url = "https:"+logo_pic_info[0]['src']
# 使用urlretrieve下载图片
urlretrieve(logo_url, 'logo.png')

最终图片保存在'logo.png'：

6、结语

本文用爬取百度首页标题和logo图片的案例，讲解了python爬虫的基本原理以及相关python库的使用，这是比较初级的爬虫知识，还有很多优秀的python爬虫库和框架等待后续去学习。

当然，掌握本文讲的知识点，你就已经入门python爬虫了。加油吧，少年！

五、赶紧行动吧！

疫情特殊时期，很多人在家闲着，趁这个机会学习python爬虫，上班后也能继续学习python大法。

知乎千赞 | 疫情在家能get什么新技能？