Skip to main content
 Web开发网 » 编程语言 » Python语言

python爬虫如何分析一个将要爬取的网站?

python爬虫如何分析一个将要爬取的网站?  Python网络爬虫 第1张

要学会使用Python爬取网页信息无外乎以下几点内容:

要会Python

知道网页信息如何呈现

了解网页信息如何产生

学会如何提取网页信息

第一步Python是工具,所以你必须熟练掌握它,要掌握到什么程度呢?如果你只想写一写简单的爬虫,不要炫技不考虑爬虫效率,你只需要掌握:数据类型和变量

字符串和编码

使用list和tuple

条件判断、循环

使用dict和set

你甚至不需要掌握函数、异步、多线程、多进程,当然如果想要提高自己小爬虫的爬虫效率,提高数据的精确性,那么记住最好的方式是去系统的学习一遍Python。

那么进入第二步:知道网页信息如何呈现?你首先要知道所需要抓取的数据是怎样的呈现的,就像是你想要学做一幅画,在开始之前你要知道这幅画是用什么画出来的,铅笔还是水彩笔等等

但是放到网页信息来说这儿只有两种呈现方式:

HTML(HTML是用来描述网页的一种语言)

JSON (JSON是一种轻量级的数据交换格式)

那么我们紧接着第三步:数据怎么来?数据当然是从服务器反馈给你的,为什么要反馈给你?因为你发出了请求。

“Hi~ ,服务器我要这个资源”

“正在传输中...”

“已经收到HTML或者JSON格式的数据”

这是什么请求?

这里你需要了解一下http的基础知识,

更加精确来说你需要去了解GET和POST是什么,区别是什么。

下面就是好好享受了。现在我们已经拿到了数据,我们需要在这些错乱的数据中提取我们需要的数据,这时候我们有两个选择。

第一:Python正则表达式 ,再大再乱的内容,哪怕是大海捞针,只要告诉我这个针的样子我都能从茫茫大海中捞出来,强大的正则表达式是你提取数据的不二之选。

第二:Beautiful Soup 4.2.0 文档,或许我们有更好的选择,我们把原始数据和我们想要的数据的样子扔个这个Beautifulsoup,然后让它帮我们去寻找,这也是一个不错的方案,但是论灵活性,还是正则表达式更好用。

python爬虫如何分析一个将要爬取的网站?  Python网络爬虫 第2张

这里就是所有爬取网页所需要掌握的知识,当你学习完这些内容,接下来你要做的事就是实战了,并且只有在实战中才能真正的提升自己的编程能力,学习更多爬虫以及反爬虫的技巧。

python爬虫如何分析一个将要爬取的网站?  Python网络爬虫 第3张

评论列表暂无评论
发表评论
微信