最简单的Python爬虫案例，看得懂说明你已入门 _Python

这是最简单的Python爬虫案例，如果你能看懂，那么请你保持信心，因为你已经入门Python爬虫，只要带着信心和努力，你的技术能力在日后必定价值15K月薪。

文章插图

这次是要爬取网易新闻，包括新闻标题、作者、来源、发布时间、正文等。
第一步，我们先找到网易新闻的网站，并且打开，选择其中的某一个分类，比如：国内新闻，然后点击鼠标的右键查看源代码。
如果你遇到了以下这种情况：
在源代码中并没有页面正中的新闻列表。这说明此网页采用的是异步的方式。也就是通过api接口获取的数据。
在确认之后，用F12打开谷歌浏览器的控制台，点击 Network，我们一直往下拉，发现右侧出现了："… special/00804KVA/cm_guonei_03.js? … "之类的地址，点开Response发现正是我们要找的api接口。
可以看到这些接口的地址都有一定的规律：“cm_guonei_03.js”、“cm_guonei_04.js”，那么就很明显了：
http://temp.163.com/special/00804KVA/cm_guonei_0(*).js
上面的链接也就是我们本次抓取所要请求的地址。
接下来只需要用到的python的两个库：
requestsjsonBeautifulSoup
requests库就是用来进行网络请求的，说白了就是模拟浏览器来获取资源。由于我们采集的是api接口，它的格式为json，所以要用到json库来解析。BeautifulSoup是用来解析html文档的，可以很方便的帮我们获取指定div的内容。
下面我们正式进入爬虫程序的编写
第一步先导入以上三个包：

文章插图

接着我们定义一个获取指定页码内数据的方法：

文章插图

这样子就得到每个页码对应的内容列表：

文章插图

之后通过分析数据可知下图圈出来的则是需要抓取的标题、发布时间以及新闻内容页面。
既然现在已经获取到了内容页的url，那么接下来开始抓取新闻正文。
在抓取正文之前要先分析一下正文的html页面，找到正文、作者、来源在html文档中的位置。
我们看到文章来源在文档中的位置为：id = “ne_article_source” 的 a 标签。作者位置为：class = “ep-editor” 的 span 标签。正文位置为：class = “post_text” 的 div 标签。
下面采集这三个内容的代码：

文章插图

到此为止我们所要抓取的所有数据都已经采集了。
【最简单的Python爬虫案例，看得懂说明你已入门】那么接下来当然是把它们保存下来，为了方便我直接采取文本的形式来保存。下面是最终的结果：

文章插图

格式为json字符串，“标题” ： [ ‘日期’， ‘url’， ‘来源’， ‘作者’， ‘正文’ ] 。
要注意的是目前实现的方式是完全同步的，线性的方式，存在的问题就是采集会非常慢。主要延迟是在网络IO上，下次可以升级为异步IO，异步采集，有兴趣的可以关注下次的文章。
通过本次练手，各位应该会对爬虫有一个入门级的了解。