爬虫基础入门
为什么要学习爬虫
其实我们身边到处都是爬虫的产物，比如我们经常用的Google，百度，bing等，这些搜索引擎就是根据你的需求在网上爬去相关的网页；比如你想在淘宝上买一个东西，可是又纠结店家是不是要价太高，这是你就可以爬去相关商品的价格，做一个对比即可；就拿咱们人工智能方向来说吧，哪个不是通过庞大的数据产生的，那这些数据怎么来的？当然就是网上爬去的啦。
先了解什么是HTML，CSS，JavaScript
因为网页基本都是由HTML组成。HTML是标签但不能算是编程语言，通过浏览器识别标签来呈现出不同的网页内容；CSS是HTML的花匠，让枯燥的原始网页变得花样多彩；JavaScript可以使HTML具有更加复杂的机制的脚本语言。
从最简单的爬虫讲起
一般python都自带urllib库，毕竟python还是以爬虫出名的吧。上代码解释：
从urllib.request中导入urlopen，然后读取网页.read( )即可，如果有中文，记得decode下。
输出的为一个网页源代码( 内容太多，截取部分 )：
然后就是通过正则表达式re匹配即可，下面是获取这个网页的title(如果对正则表达式不熟的，可以往上翻4个推送就到了)：
其中re.DOTALL表示有多行的时候，要写上这个
输出的就是
因为网页里的连接都在'href='后面，所以如果想找到这个网页里的所有链接，代码为：
输出截图( 截取部分 ):
这就是最简单的爬虫。
BeautifulSoup
安装
如果是python2，3都有的话，python3+的就用pip3就行。后面的4或许是版本吧。
简单使用
先把上面得到的html喂给它，然后就想咋地咋地了。HTML里有很多标签，比如h1，这里获得h1的信息贼简单：
输出为( 部分 )：
现在说说里面的参数，features：解析器的意思，怎么选择官网解释如下：
总之就是能用'lxml'就用。
如果想查找所有呢：
输出(部分):
但是我们想要的是'href='后的链接，这里hrefs相当于字典，因为'href'是a标签的以一个属性，可以把'href'当做key来查找：
结果为( 部分 )：
Beautifulsoup: find by CSS class
这里我就用morvan的教程网页了。
HTML一般都会和CSS一起搭配，所以有时候的数据选取会和CSS有关，总之CSS你只要知道它的class即可，根据class爬取数据。
我们先读取它的文本：
大概样子为：
CSS一般可能在<head>...</head>里。很明显CSS归类的这些组件还是很有用的，比如我们就想找class="jan"下面的<li>...</li>里面的内容。而且Beautiful Soup就能这么干。上代码：
也可以先获得<ul>...</ul>，在获得里面的<li>...</li>：
BeautifulSoup解析网页：正则表达
先看看这次的教程的示例网页：
比如你想下载这个页面的图片，我们先通过BeautifulSoup筛选它们，然后通过正则表达提取。
也就是通过查找标签为img，并且属性src符合
的链接。
获取'href'链接也一样：
小练习：爬取百度百科
任务是模仿类似深搜的方法，爬取当然网页任意一个的百度百科词条。
his 是history，存取以往的url，his后面的值就是'网络爬虫'的具体地址。
先打印一下试试：
但是有的sub_urls没有符合要求的网页，这时候就需要向前跳一个，继续爬取。又因为百度百科词条的HTML大致满足这个要求：
则，代码为：
结果为：
腾讯云开发者
