最近有小伙伴和我留言想学python爬虫，那么就搞起来吧。

准备阶段

爬虫有什么用呢？举个最简单的小例子，你需要《战狼2》的所有豆瓣影评。最先想的做法可能是打开浏览器，进入该网站，找到评论，一个一个复制到文本中，保存，翻页，接着复制，直到翻到最后一页。而爬虫只要写脚本，执行，泡杯咖啡，坐等他执行完。

首先需要在电脑上装好 python3 和 pip 。此外还需要知道python的一些基本语法。这些内容网上搜索有许多教程(例如廖雪峰)，这边就不再细说了。

我们这次需要使用的是 正则表达式 re 库和第三方的 requests 库，以下是安装方法。

pip3 install requests

引入库。

import requestsimport re

爬虫可以简单的分为获取数据，分析数据，存储数据三个步骤。

下载数据

简单来说一个网页是由一个html文件解析构成，我们需要获取这个文本内容。

每个浏览器都可以通过开发者工具获取到文本内容，以chrome为例，打开网页后，右键->检查。

右边的 Elements 就是我们要下载的数据。

让我们看看 requests 是如何获取这个数据的。

url='';html=requests.get(url);if html.status_code == 200: html_bytes=html.content; html_str=html_bytes.decode();

上面的 html_str 就是我们需要的源数据。获取数据我们需要一个网页地址，获取后判断状态码是否为200，最后再将内容decode就得到需要的整个html源数据。

分析数据

这次我们用正则表达式去解析源数据，截取到我们需要。关于详细的正则可以在网上学习。

现在我们的目标是抓取博客的文章标题和链接，我们可以通过刚才的开发者工具获取文章标题和链接的特征。

可以看到我们要的内容都具有以下这种格式。

我们就为这种格式写出正则表达式。(ps: 我也写了几次才写对，看不懂的话我们私下交流交流)。

使用正则表达式中的 findall 把所有内容找出来，并保存在字符串中。

write_content = ''all_items = re.findall(regex,html_str);for item in all_items: write_content=f'{write_content}\n{item[1]}\n网页地址{item[0]}\n'

但是，我们只爬了其中的一页。还有许多页没有爬呢！(ps: 骄傲脸，我已经写了好多✌️页的原创内容了。)

我们可以点几个下一页，很容易发现其中的规律。

第一页: 网站地址/第二页: 网站地址/page2/第三页: 网站地址/page3/...

为此，我们加个循环判断就可以啦。

index=1while True: page_url = ''; if index>1: page_url=f'page{index}/' url=f'{page_url}'; html=requests.get(url); if html.status_code != 200: print(html); break;

在判断状态码不为200时，退出循环。

存储数据

这次我们就用文本存储来结束我们的教程吧。(ps:数据库存储我也还没学到，哈哈哈。。)

with open('lamyoung_title_out.txt','w',encoding='utf-8') as f: f.write(write_content)

最后看下输出结果吧～

小结

本文只是简单地带你入门写个python爬虫（其实也不简单哈，正则表达式还是要花时间学学）。其实爬虫还涉及多线程，数据库，还有其他解析库(可能可以替代正则表达式)。后续学到了第一时间分享(也许)给大家。

"其实我还写过python处理excel表导出json，自动处理svn添加删除等脚本，欢迎一起学习"

我是白玉无冰，游戏开发技术小赤佬，也玩 python 和 shell。欢迎私信交流学习！