怎么用python爬数据？python爬虫基础介绍！

如果说当下最热门的语言，那非属 python 不可。如果说 python 最火热的方向是哪个，那么爬虫绝对有一席之地。现在的许多 python 培训课程，都喜欢拿 python 爬虫来增加学员的学习兴趣。那么，怎么用 python 爬取数据？小编接下来带你了解一个 python 爬虫的开发流程。

小编先放上一个示例代码（以当当好评榜 TOP500 为例），以下介绍基于该代码进行介绍。

import requests  # 引入request库进行页面请求
from requests.exceptions import RequestException  # 引入RequestException来捕获request可能出现的异常
import re  # 引入re库来进行正则匹配
import json  # 引入json 来进行json格式转化


def get(url):  # 将请求方法封装，方便使用try语句捕捉异常
    try:
        response = requests.get(url)  # 使用request的get方法获取响应流
        if response.status_code == 200:  # 处理响应流，如果不是200响应，则返回None
            return response.text  # 将响应流以文本方式返回
        return None
    except RequestException:
        return None


def parse(text):  # 将正则匹配方法封装，使代码模块化
    pattern = re.compile('<li>.*?list_num.*?>(.*?)</div>.*?pic.*?src="(.*?)".*?/></a>.*?name"><a.*?title="('
                         '.*?)">.*?tuijian">(.*?)</span>.*?publisher_info.*?title="(.*?)".*?biaosheng.*?<span>('
                         '.*?)</span>.*?</li>', re.S)  # 设定正则表达式匹配规则
    items = re.findall(pattern, text)  # 使用正则匹配对传入的text文本进行正则匹配，并将匹配成功的结果保存在items
    return items  # 将匹配的结果返回


if __name__ == "__main__":
    target_url = "http://bang.dangdang.com/books/fivestars/"  # 目标爬取的页面url
    html = get(target_url)  # 使用封装好的get方法将整个目标HTML页面爬取下来
    for item in parse(html):  # 使用封装好的正则匹配方法对目标HTML进行正则匹配，然后用一个循环将结果进行处理
        print(item)
        # 接下来是将结果写入txt文件的操作
        with open('book.txt', 'a', encoding='UTF-8') as f:
            f.write(json.dumps(item, ensure_ascii=False) + '\n')  # 使用json库的dumps方法将列表对象转变成json对象(字符串)，然后写入文本
            f.close()

爬虫开发第一步：网页分析

爬虫开发的第一步，是对目标网页进行分析，首先要知道你需要的目标数据在哪里，这里使用开发者工具查看整个页面结构，发现目标数据在一个 ​<li>​ 元素中，所以开发思路是，将这个页面的数据获取下来，然后获取数据中的 ​<li>​ 元素（里面的有用的数据）。

爬虫开发第二步，数据爬取

经过第一步的分析，我们已经大致有了爬虫的思路了，所以现在要做的，就是把这个页面爬取下来。这时候 request 库出场了。使用 request 的 ​get() ​方法，可以将目标页面的 html 爬下来。得到了目标页面的 html（代码中将其存储在 html 字符串中）。就可以进行接下来的操作了。

爬虫开发第三步，数据处理

使用正则表达式，匹配代码中的目标数据（也就是之前分析的li元素里的有用的数据）。并将其放进一个 ​items​  列表中。完成到这一步，数据的爬取分析也就基本结束了。只要将爬取的结果进行保存就可以了。

爬虫开发第四步，数据保存

小编这里使用python自带的文件读写函数，将数据以json的格式保存在一个叫 ​book.txt​ 的文件中。

小结

现在大多数网页爬虫的开发方式基本都是上面的四步，python 的爬虫结构也大同小异。不过随着更多更好的工具出现，以及网站反爬意识的加强，最新的爬虫往往需要更好开发工具库和更多的配置。更多爬虫知识学习，可以前往 python课程进行学习（内有爬虫课程）。

注：小编警告，非法爬取网站数据，会对网站的日常运营造成一定的负担，这种行为也是违法行为，请勿恶意爬取别人的网站数据，在 python 爬虫的学习过程中也尽量少用较高次数的循环语句进行爬取！