最精简的爬虫 –仅需4行代码（python）

刚刚整理了下爬虫系列，于是乎就开始了第一次的技术分享

今天，我们主要讲述的是思路，思路，思路。

相比起，直接贴代码，思路显的更为重要

当初，自己的坑，希望后面的人可以避免

*********

爬虫逻辑：

1，请求网页（利用python向web服务器进行请求）

2，通过匹配找到对应的目标（F12查看网页的结构）

3，下载对应目标

方法：（2种）

一种是百度上陈述的传统方法，通过urllib库来请求，并且urllib.request.urlretrieve 来对目标下载

另一种是使用简便，逻辑清晰，代码复杂度率低

方法一：

^这里我们主要介绍的 一种简便的，实用的，逻辑清晰，代码量少的

import requests #请求网页

from bs4 import BeautifulSoup #分析html的结构

我们主要利用到2个库：requests，bs4

库的用法，读者请自行百度，

tips：bs4库非内置库，需要另行安装：pip3 install beautifulsoup4

然后，我们再对目标进行写入：

with open('picfile','wb') as f: #这里的picfile为存放文件

f.write(pic) #这里pic为请求到的图片对象

ok，这样爬取到的pic就存到了picfile文件里了，这里介绍的为单目标存放，实际中都是多目标文件的，所以，接下来，我们将用到for循环进行处理：(请读者自行思考，如何加for循环)

爬虫代码如下：

import requests

with open('picfile','wb') as f:

f.write(pic.content)

这是最简单的入门例子，实际中，是多个内容一起爬取，下一步就是增加bs4库针对网站进行过滤，然后再加for循环进行批量存储，请读者进行思考（在本文的最下方，会附上一个完整版的demo）

——————————————————————————————————————————————————

方法二：

^现在，介绍百度上比较统一的一种方法：

(个人觉得，晦涩难懂，对于初学者来讲，并且代码冗余)

import urllib.request

import re #正则匹配目标文件

import os

import urllib

思路：利用urllib库进行网页的请求

然后，再利用正则表达式得出目标文件 (这里需要注意正则的编写，需要极度精确到位)

最后，urllib.request.urlretrieve 这个函数，将目标进行下载

这里，再对re库进行一个补充，这是一个常用的正则匹配

regex = re.compile()

file.search()

最后，来详细陈述下第一种方法的优势：

1，requests使用简便，是再urllib基础之上产生的一个页面请求库

2，采取bs4进行过滤，会使在过滤手段更加简洁易理解，避免复杂正则表达式所带来的困惑

3，采用的write写针对for循环进行多文件的。

https://zhuanlan.zhihu.com/p/33614014

import requests

import os,sys,time

import bs4

url = 'https://xkcd.com'

os.makedirs('xkcd',exist_ok=True)

#re = requests.get('https://xkcd.com')

#status = re.status_code()

while not url.endswith('#'):

print('downing the %s…' %url)

re = requests.get('https://xkcd.com')

re.raise_for_status()

soup = bs4.BeautifulSoup(re.text)

comicElen = soup.select('#comic img')

print(type(comicElen))

#print(comicElen)

if comicElen == []:

print('not find pic')

else:

# print('2')

comicUrl = comicElen[0].get('src')

comicUrl = 'https:' + comicUrl

print('downing image %s ' % (comicUrl))

re = requests.get(comicUrl)

re.raise_for_status()

#print('1')

imageFile = open(os.path.join('xkcd'+os.path.basename(comicUrl)),'wb')

for chunk in re.iter_content(100000):

imageFile.write(chunk)

imageFile.close()

prevlink = soup.select('a[rel="prev"]')[0]

url = 'https://xkcd.com' + prevlink.get('href')

print('done!')