学习爬虫技术已经很久了，想着是时候写一些爬虫的心得了，首先，爬虫是什么呢？百度可得：网络爬虫是一种程序,主要用于搜索引擎,它将一个网站的所有内容与链接进行阅读,并建立相关的全文索引到数据库中,然后跳到另一个网站.样子好像一只大蜘蛛.简单来讲可以分为两个步骤：
1.获取资源
2.从资源中提取你要的东西
由于我常用的是requests+bs4,这两个模块的安装和使用可以百度下，这个很重要那接下来不多说，开始动手吧：
我们要爬取的是金蝶的一个新闻网站，http://www.kingdee.com/news/tag/%E4%BA%91%E4%B9%8B%E5%AE%B6/
打开长这个样子：
我们要爬取的就是新闻的红色方框部分（好像也不是标题，我也不知道这个叫什么，原谅我的无知），我们先来分析网页，我是chrome浏览器，按F12，在按F5,刷新网页，点击network，你会看到这个
点击第一个请求，再点击response，就可以看到这个请求的响应，看看这个响应中有没有我们要的内容，怎么看？ctrl+F查找啊，我们会发现我们要的内容都在这个响应里，因此稍后我们要模拟这个请求来获取这些响应内容，再点击左上角的定位按钮，放到目标文本那里
我们就可以看到目标文本在网页中位置了，通过分析网页我们会发现这样一个规则，
1.我们的目标文本在一个div中
2.每篇文章中都在一个artical中，每个artical中都包含我们要的div
3.一共有12篇文章，说明有12个artical块
4.所有的artical都在section块中
好的，分析完网页之后我们开始写代码：
import requestsfrom bs4 import BeautifulSouptexts=[]
def get_text(url):#获取页面的目标文本 global texts f = requests.get(url) html = f.content.decode(‘utf-8‘) #获取响应中的html代码 soup = BeautifulSoup(html, ‘lxml‘) for i in soup.find_all(r‘section‘, id=r‘mk-blog-loop-1‘):#获取tag名称为section，id属性为mk-blog-loop-1，返回一个列表，再遍历这个列表(实际只有一个元素) for j in i.find_all(r‘article‘): ##获取tag名称为artical，返回一个列表，再遍历这个列表(实际有12元素) texts.append(j.find_all(r‘div‘, class_="blog-excerpt")[0].string) #找到tag名称为div，class属性为blog-excerpt，返回一个列表，因为只有一个元素，所有直接拿第一个就可以
get_text(http://www.kingdee.com/news/tag/%E4%BA%91%E4%B9%8B%E5%AE%B6/)print（texts）结果如下：
我们会发现上面的结果是正确的，但是红色方框中的内容不对，这是一个空格符，把它去掉就ok
a=[]for i in texts: a.append(‘‘.join(i.split()))print(a) 好的，到目前为止，这个网络爬虫就可以了，比较简单，但是我们还是来总结下过程1.利用浏览器开发工具F12来确定我们的目标文本在哪个请求里2.分析我们的目标在网页中的结构3.模拟浏览器的请求来获取响应内容4.解析我们需要的内容这个过程需要我们对bs4和requests等模块很熟悉，可以查看他们的文档，还有网页和Http请求的知识，总之用到的东西比较多，这是比较简单的爬虫，还有其他的类型和方法，以后有时间会和大家分享的！
原文地址：https://www.cnblogs.com/diwangguilai/p/9293385.html