python做爬蟲的小技巧

小編給大家分享一下python做爬蟲的小技巧，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！

整體思路流程

通過URL獲取說要爬取的頁面的響應信息（Requests庫的使用）
通過python中的解析庫來對response進行結構化解析（BeautifulSoup庫的使用）
通過對解析庫的使用和對所需要的信息的定位從response中獲取需要的數據（selecter和xpath的使用）
將數據組織成一定的格式進行保存（MongoDB的使用）
通過對數據庫中的數據進行篩選和組織，進行數據可視化的初步展示（HighCharts庫的使用）

簡單代碼演示

 準備工作

下載并安裝所需要的python庫，包括：

requests庫：用于向指定url發起請求
BeautifulSoup庫：用于解析返回的網頁信息
lxml庫：用于解析網頁返回結果
pymongo庫：用于實現python對MongoDB的操作

 對所需要的網頁進行請求并解析返回的數據

對于想要做一個簡單的爬蟲而言，這一步其實很簡單，主要是通過requests庫來進行請求，然后對返回的數據進行一個解析，解析之后通過對于元素的定位和選擇來獲取所需要的數據元素，進而獲取到數據的一個過程。

以上就是一個簡單的網頁爬蟲的制作過程，我們可以通過定義不同的爬蟲來實現爬取不同頁面的信息，并通過程序的控制來實現一個自動化爬蟲。

以下是一個爬蟲的實例

import requests
from bs4 import BeautifulSoup

start_url = 'http://bj.58.com/sale.shtml'
url_host = 'http://bj.58.com'
#定義一個爬蟲函數來獲取二手市場頁面中的全部大類頁面的連接
def get_channel_urls(url):
    #使用Requests庫來進行一次請求
    web_data = requests.get(url)
    #使用BeautifulSoup對獲取到的頁面進行解析
    soup = BeautifulSoup(web_data.text, 'lxml')
    #根據頁面內的定位信息獲取到全部大類所對應的連接
    urls = soup.select('ul.ym-submnu > li > b > a')
    #作這兩行處理是因為有的標簽有鏈接，但是卻是空內容
    for link in urls:
        if link.text.isspace():
            continue
        else:
            page_url = url_host + link.get('href')
            print(page_url)

看完了這篇文章，相信你對python做爬蟲的小技巧有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！