用Python从网页爬取数据，网上相关文章很多，但能让零基础初学者轻松上手的却很少。可能是有的作者觉得有些知识点太简单不值得花费精力讲，结果是难者不会会者不难，初学者常常因此而蒙圈。本人也是小白，刚摸索着爬了两个简单的网页数据，经历了初学者易犯的各种糊涂，特总结分享一下，希望能对小白们有用。
python爬网络数据，方法很多。不同的python版本、不同的模块、库，对应代码都不同。所以，在看他人代码时，需要搞清代码环境所用的版本和使用的模块库等信息。因为如果环境不同，相同的代码也可能没用。初学者往往看到一篇文章讲的代码，复制过来就用，结果就是各种错误，这就是因为环境不同造成的。
没有模块的，pip安装一下就好。安装方法：点击电脑左下角开始——输入cmd回车，弹出cmd.exe界面——在界面上输入pip install requests回车，稍后，提示安装成功即完成了requests模块的安装。BeautifulSoup解析库是属于bs4模块的一个功能块，所以，用pip安装时，要安装pip install bs4。
建好了代码环境，就可以开始爬数据了，无论什么代码环境，爬虫核心都是这4步。对新手来说，每一步都不简单，我们通过一个简单的爬取一篇小说代码，来看看到底是怎么爬数据的。
3-1 拟爬取的网络小说截图
如图3-1，我们试着把这篇小说爬下来保存为txt文件，按照爬虫4部曲，我们逐步来看：
1）、发出请求
用代码向网络发出请求，请求访问某个网址，首先我们得在代码中给出具体的网址信息，比如上面截图的网址是：https://www.biqiuge.com/book/4772/2940354.html
那这个网址是怎么得到的呢，常规方法是通过浏览器的开发者工具，我是用的360浏览器，点击右上角的工具菜单，点击开发者工具即可，打开后的界面如下图3-2：
图3-2 开发者工具窗口
顶部菜单选择Network，中间圆圈选择Preview，通过选择左侧红色方框内的不同选项，观察Preview下部的内容，当能看到我们想要的文字时人（如图3-3），就说明找到了。
图3-3 箭头指示的就是准备爬取的数据
这时点击Preview左侧的Header面板，得到下图3-4中的url就是我们要找的网址。复制后，粘贴到代码里就能发出请求了。
图3-4 找到请求的网址
有细心的会看到，这个网址和我们平常浏览网页时地址栏里的网址一样啊，还用这么麻烦？
3-5 浏览器地址栏网址
这两个网址确实是一样的，是不用这么麻烦，直接从地址栏复制就可以。但很多时候，我们要爬取的网页数据并不在浏览器地址栏的那个网址里，这个时候就需要通过上面的那个开发者工具方法去找。
有了网址，发出请求的代码为：
url = "https://www.biqiuge.com/book/4772/2940354.html" # 要爬取数据的网址
response = requests.get(url) #发出访问请求，获得对应网页
访问请求的反馈结果放在response里了，这时我们用print(response)看看这个结果到底是什么?运行结果为：<Response [200]>
这是个什么鬼？怎么不是我们想要的网页内容呢？解释一下：
运行结果的意思是：响应状态为成功。可以放心写后面的代码了。如果出现数字404，就是没找到页面的意思，响应不成功。响应结果还需要解析才能得到网页内容。
2）、获得网页
上面说了，已经请求访问并响应成功了，接下来就是如何获得具体网页内容了。
soup = BeautifulSoup(response.content, 'lxml') # 将获得的网页内容解析写入soup备用
我们用print(soup)看一下结果，就会得到下图3-6的结果：
3-6 代码得到的网页内容
内容与前面在Preview里看到的一样，说明已经成功获得了网页内容。
3）、解析网页内容，获得数据
所有要爬取的数据，都在上面的soup结果里，但还有更多是我们不需要的数据。所以接下来第3步就是对上面的结果内容进行操作，以获得我们想要的内容。
1）根据目标，我们首先要获得小说的标题和章节标题
在开发者工具里，分析网页内容，发现我们的目标之一小说和章节的标题分别位于下图所示位置：
图3-7 找到标题所处位置
A、小说标题“圣墟”在下面两个位置都出现过，写解析代码就可以了：
<a href="/book/4772/">圣墟</a>
<a href='https://www.biqiuge.com/book/4772/' target='_blank' title="圣墟">圣墟</a>
很明显第一个相对比简单点，所以，我们通过解析第一个位置内容来提取出标题“圣墟”
t1 = soup.find('a', href="/book/4772/"').get_text()
代码解析： 上面两处标题都位于<a,....../a>之间，所以“a”就是我们要用的第一个参数，由于有a参数的代码还有很多，为了精准定位就是这个位置的a，我们发现属性href的值不同而且貌似是独一无二的，所以将其作为关键字放进代码里，就得到了此处的这段代码。然后用.get_text()将这段代码里的文字给爬取出来，就得到了我们最终想要的小说标题——“圣墟”。上面的代码如果将href的参数值改为：'https://www.biqiuge.com/book/4772/'，也能得到相同的结果
B、章节标题在网页代码中也出现过多次，但是我们只需找到一处解析得到即可，根据上面的经验，我们选最简单的一处为：
<h1>第一章 沙漠中的彼岸花</h1>
编写代码：
t2 = soup.find('h1').get_text()
2）获得小说内容
继续分析网页代码，发现小说内容的位置为：
<div id="content" class="showtxt"><script>App2();</script><br /> 大漠孤烟直......
说明小说内容位于<div ....../div >之间，所以将div作为第一个参数，由于div出现了很多次，所以我们需要继续用此处独有的参数作为关键字，我们将id="content" class="showtxt"同时作为参数放到代码里，这样代码就为：
tt = soup.find('div', id="content", class="showtxt").get_text()
此时，由于class在python里代表“类”，为敏感词，作为关键字放在代码里容易混淆，所以我们将敏感词作为关键字时，需要在其后面加一个下划线，将代码class="showtxt"改为：class_="showtxt"。运行后，小说内容就已经在tt里了。我们可以通过print(tt)看到效果。
4）、保存内容
虽然小说标题、内容都已经爬取到了，但到哪里看呢，我们不可能每次都用python用print()运行后看。我们可以将刚才爬取到的标题、内容，写入到一个txt文件里。这就用到os模块了。
此时运行程序，就能在e盘发现已新生成了文件“小说.txt文件"，打开，发现，所有想要的内容已经写入到文件里了如图3-8。但是小说内容没有换行，阅读起来不方便，且前面有个多余的app2()。
图3-8 爬取的效果
为了达到更好的效果，我们将代码：
tt = soup.find('div', id="content", class="showtxt").get_text()
优化为：
tt = soup.find('div', id="content", class_="showtxt").text.replace(' ','n').replace('app2();','n')
即将app2()和空格符都替换为换行符。运行后得到效果为：
图3-9 优化后最终的爬取结果
至此，一个简单的爬取就完成了。
其实，该网址内容完全可以直接复制就能得到，本文之所以还大费周章进行爬取，不过是借用这个简单的静态网页，体验一下爬虫4步骤的流程，为后续批量爬取网页中的小说、图片以及爬取动态网页数据做基础。
# -*- coding:utf-8 -*-
import requests
from bs4 import BeautifulSoup
# 第一步：发出访问请求
url = "https://www.biqiuge.com/book/4772/2940354.html"
response = requests.get(url)
# 第二步：获得网页信息
soup = BeautifulSoup(response.content, 'lxml')
# 第三步：解析网页数据
t1 = soup.find('a', href="/book/4772/").get_text()
t2 = soup.find('h1').get_text()
tt = soup.find('div', id="content", class_="showtxt").text.replace(' ','n').replace('app2();','n')
# 第四步：保存内容
f = open(r"e:小说1.txt", 'a+', encoding='utf-8')
f.write(t1 + 'n')
f.write(t2 + 'n')
f.write(tt)
f.close()
print('下载完成')
京公网安备 11010802035086号