本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

以下文章源于白菜学python ，作者小白菜

刚接触Python的新手、小白，可以复制下面的链接去免费观看Python的基础入门教学视频

 

hello，大家好。今天为大家带来的是之前分享过的requests库与lxml库的结合使用案例一：指定百度搜索的内容并提取网页的标题内容。好的，废话不多说，直接上主菜。

下面我们来完成我们的第一步，分析我们的目标。大家可千万不要小看这一步哦，因为我们只有思路清晰才能在较短的时间里面写出漂亮的代码。

首先，我们想要请求网页，必须知道我们的url（即网址）是什么。下面，我打开Chrome（谷歌）浏览器，并且打开百度页面，指定搜索“python”，得到下图结果：

 

我们看地址一栏，得到下面的结果：

这么长的内容其实并不是我们都需要的（当然你也可以选择不删除，直接使用这个url，但是这个太冗长了，我就不选择这么做了），我们可以尝试去裁剪掉一些可能多余的字母。

当然我们去掉一些可能多余的项也不是乱去的，而是得有一定的依据，这里我们打开浏览器的开发者工具，可以按快捷键F12，或者鼠标右击选择检查。然后选择其中的Network项，再选择Network中的第一个文件。如下图操作：

 

 

然后观察右边，将滑动条拉至底部，你会发现，有一个wd：python的内容，显然，这个就是我们搜索的内容，那么我们就要根据这个提示来删除一些不必要的东西。

删除后得到下面的结果：

然后使用这个url去访问，发现成功访问，好的这个就是我们需要的url。

这个简单，如果你之前看过我写的requests库教程，那么这个headers参数的确认可以直接跳过。

一般来说，我们写headers参数，优先只写User-Agent参数，当单独使用这个参数爬取失败的时候，可以考虑添加其他的headers参数，或者考虑是否是因为其他反爬措施的影响。

下面以图片和文字的方式讲解去哪里获取headers参数内容：

 

 

写python程序，有时候很矛盾，是用面向对象呢？还是面向过程呢？其实都随意（我比较随意，因为没有人要求我必须使用什么写），这里我采取面向对象的方式来写这个程序。

这里有几个原因。

1>我们写代码，一般来说都不可能一次写成功，总是需要修改和测试的。平时我们写代码，自然可以随意的测试运行，都可以检测代码是否正确，但是爬虫却不能这样。因为如果你在较短时间内访问了网站次数过多，可能会导致网站对你做出一些限制性举动，比如：增加验证码判断你是否为人类，严重点的短时间内封禁你的ip。因此，我们将网页源代码写入文件，这样在之后写解析代码的时候就不需要重新去访问网站了。

2>我们以html的形式写入文件，可以用浏览器打开这个文件，可以比较清晰的看出这个文件是否为我们需要爬取的文件。如下图是我爬取后存入的文件以谷歌浏览器打开的结果：

 

下面我们来完成获取页面的程序代码：

这个没什么好说的，是最基础的代码。

这个也只是文件的基本操作，没什么好讲解的地方，只是注意我们这里存入的为html文件，而不是txt文件。

这里检测的方式我前面已经提及，就是浏览器打开相应的页面即可。如下图操作：

 

打开得到下面的结果：

 

说明程序正常运行。

下面我们来完成最后一步，解析函数的敲写。

首先我们需要分析下，我们想要获取的内容在什么标签里面。分析过程如图（个人认为这部分比较重要，因为我初学的时候主要困惑于两点：如何处理失败的请求，解析的思路是什么）

 

 

 

好的，分析清楚了我们需要的内容在哪里之后，可以使用lxml来写代码了，如下：

下面要做的工作就是处理这些字符串，但是这个并不是我们的重点，并且这些数据并不重要，所以就不处理了。

好的，今天的分享就到此为止了。这是最基础的案例，主要目的是让大家先熟悉下，如何使用requests和lxml写一个爬虫程序，其次就是让大家熟悉下分析网站的思路。