写爬虫都需要些什么呢,

A 要爬取的网址难度的大小 (选择谷歌对要爬取的网址源代码进行分析)

B 借用Python中的模块urllib与requests 对网址进行请求与访问
以requests为例:(requests模块的导入见:https://blog.51cto.com/13747953/2321389)
a 下载图片

import requests ret=requests.get('http://×××w.xiaohuar.com/d/file/20180724/40d83a6709eca21137dcdd80ee28c31b.jpg')print(ret,type(ret))print(ret.status_code)print(ret.content)with open(r'E:\text1\爬虫\text_png\p1.png','wb') as f: f.write(ret.content)


b 基本文字信息的获取

import requestsfrom urllib import request# ret=requests.get('http://maoyan.com/board')headers={ 'User-Agent':'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}ret=request.Request('http://maoyan.com/board',headers=headers)resp=request.urlopen(ret)print(resp,type(resp))print(resp.read().decode('utf-8'))

这里不用requests 模块是因为在请求的过程中返回了403的错误
猜想可能的原因是:网址的反爬虫机制发现了来自pycharm的请求;
所以可以用urllib(Python自带的模块)提供的request模块

结果如下:

C 如何从B-b中获取的文字数据中提取出自己想要的数据呢
a 分析数据的相同点

b 利用正则表达式与re模块

'<div class="item_t">(?:.*?)src="(?P<png>.*?)"(?:.*?)<span class="price">(?P<name>.*?)</span>(?:.*?)' '<a href="http://www.xiaohuar.com/" class="img_album_btn">(?P<place>.*?)</a>', re.S)

'<div class="item_t"> # 匹配开始的标志(?:.*?) # 匹配任意的字符,但用?取消了分组优先显示和贪婪匹配src="(?P<png>.*?)" # 要获取的数据优先显示,并?P<名字>命名了(?:.*?)<span class="price">(?P<name>.*?)</span>(?:.*?)''<a href="http://www.xiaohuar.com/" class="img_album_btn">(?P<place>.*?)</a>',re.S # 声明 . 可以匹配任意的字符)

俩个实例:
1爬取简单的文字信息:https://blog.51cto.com/13747953/2321800
2爬取图片: https://blog.51cto.com/13747953/2321803
(程序猿很无聊多多指教交流)