本文主要介紹python爬蟲的兩大利器：requests和BeautifulSoup庫的基本用法。
1. 安裝requests和BeautifulSoup庫
可以通過3種方式安裝：
easy_installpip- 下載源碼手動安裝
這里只介紹pip安裝方式：
pip install requests
pip install BeautifulSoup4
2. requests基本用法示例
# coding:utf-8
import requests
# 下載新浪新聞首頁的內容
url = 'http://news.sina.com.cn/china/'
# 用get函數發送GET請求，獲取響應
res = requests.get(url)
# 設置響應的編碼格式utf-8（默認格式為ISO-8859-1），防止中文出現亂碼
res.encoding = 'utf-8'
print type(res)
print res
print res.text
# 輸出：
'''
<class 'requests.models.Response'>
<Response [200]>
<!DOCTYPE html>
<!-- [ published at 2017-04-19 23:30:28 ] -->
<html>
<head>
<meta http-equiv="Content-type" content="text/html; charset=utf-8" />
<title>國內新聞_新聞中心_新浪網</title>
<meta name="keywords" content="國內時政,內地新聞">
...
'''
下面將上面獲取到的網頁html內容寫入到文件中，這里有一點需要注意的是：python是調用ASCII編碼解碼程序去處理字符流的，當字符不屬於ASCII范圍時會拋異常（ordinal not in range(128)），所以要提前設置程序的默認編碼：
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
然后再將響應的html內容存入文件中：
with open('content.txt','w+') as f:
f.write(res.text)
3. BeautifulSoup基本用法
1. 自定義測試html
html = '''
<html>
<body>
<h1 id="title">Hello World</h1>
<a href="#link1" class="link">This is link1</a>
<a href="#link2" class="link">This is link2</a>
</body>
</html>
'''
2. 從html文本中獲取soup
from bs4 import BeautifulSoup
# 這里指定解析器為html.parser（python默認的解析器），指定html文檔編碼為utf-8
soup = BeautifulSoup(html,'html.parser',from_encoding='utf-8')
print type(soup)
# 輸出：<class 'bs4.BeautifulSoup'>
3. soup.select()函數用法
(1) 獲取指定標簽的內容
header = soup.select('h1')
print type(header)
print header
print header[0]
print type(header[0])
print header[0].text
# 輸出：
'''
<type 'list'>
[<h1 id="title">Hello World</h1>]
<h1 id="title">Hello World</h1>
<class 'bs4.element.Tag'>
Hello World
'''
alinks = soup.select('a')
print [x.text for x in alinks]
# 輸出：[u'This is link1', u'This is link2']
(2) 獲取指定id的標簽的內容（用'#'）
title = soup.select('#title')
print type(title)
print title[0].text
# 輸出：
'''
<type 'list'>
Hello World
'''
(3) 獲取指定class的標簽的內容（用'.'）
alinks = soup.select('.link')
print [x.text for x in alinks]
# 輸出：[u'This is link1', u'This is link2']
(4) 獲取a標簽的鏈接（href屬性值）
print alinks[0]['href']
# 輸出：#link1
(5) 獲取一個標簽下的所有子標簽的text
body = soup.select('body')[0]
print body.text
# 輸出：
'''
Hello World
This is link1
This is link2
'''
(6) 獲取不存在的標簽
aa = soup.select('aa')
print aa
# 輸出：[]
(7) 獲取自定義屬性值
html2 = '<a href="www.test.com" qoo="123" abc="456">This is a link.</a>'
soup2 = BeautifulSoup(html2,'html.parser')
alink = soup2.select('a')[0]
print alink['qoo']
print alink['abc']
# 輸出：
'''
123
456
'''
4. soup.find()和soup.find_all()函數用法
(1) find()和find_all()函數原型：
find和find_all函數都可根據多個條件從html文本中查找標簽對象，只不過find的返回對象類型為bs4.element.Tag，為查找到的第一個滿足條件的Tag；而find_all的返回對象為bs4.element.ResultSet（實際上就是Tag列表）,這里主要介紹find函數，find_all函數類似。
find(name=None, attrs={}, recursive=True, text=None, **kwargs)
注：其中name、attrs、text的值都支持正則匹配。
find_all(name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)
注：其中name、attrs、text的值都支持正則匹配。
(2) find函數的用法示例
html = '<p><a href="www.test.com" class="mylink1 mylink2">this is my link</a></p>'
soup = BeautifulSoup(html,'html.parser')
a1 = soup.find('a')
print type(a1)
# 輸出：<class 'bs4.element.Tag'>
print a1.name
print a1['href']
print a1['class']
print a1.text
# 輸出：
'''
a
www.test.com
[u'mylink1', u'mylink2']
this is my link
'''
# 多個條件的正則匹配：
import re
a2 = soup.find(name = re.compile(r'\w+'),class_ = re.compile(r'mylink\d+'),text = re.compile(r'^this.+link$'))
# 注：這里的class屬性之所以寫成'class_'，是為了防止和python關鍵字class混淆，其他屬性名寫正常的名就行，不用這樣特殊處理
print a2
# 輸出：
'''
<a class="mylink1 mylink2" href="www.test.com">this is my link</a>
'''
# find函數的鏈式調用
a3 = soup.find('p').find('a')
print a3
# 輸出：
'''
<a class="mylink1 mylink2" href="www.test.com">this is my link</a>
'''
# attrs參數的用法
# 注：支持正則匹配屬性值（包括自定義屬性）
import re
html = '<div class="myclass" my-attr="123abc"></div><div class="myclass" my-attr="abc">'
soup = BeautifulSoup(html,'html.parser')
div = soup.find('div',attrs = {'class':'myclass','my-attr':re.compile(r'\d+\w+')})
print div
# 輸出：
'''
<div class="myclass" my-attr="123abc"></div>
'''
4. 網絡爬蟲基本架構
5. 補充
1. 代理訪問
有時候為了避免封IP，或者在某些公司內網訪問外網時候，需要用到代理服務器發送請求，代理的用法示例：
import requests
proxies = {'http':'http://proxy.test.com:8080','https':'http://proxy.test.com:8080'} # 其中proxy.test.com即為代理服務器的地址
url = 'https://www.baidu.com' # 這個url為要訪問的url
resp = requests.get(url,proxies = proxies)
如果代理服務器需要賬號、密碼，則可以這樣寫proxies：
proxies = {'http':'http://{username}:{password}@proxy.test.com:8080','https':'http://{username}:{password}@proxy.test.com:8080'}
2. 向https的url發送請求
有時候向https的url發送請求會報錯：ImportError:no module named certifi.
解決方法：在發送請求時關閉校驗：verify = False，如：
resp = requests.get('https://test.com',verify = False)
注：也可通過在headers中傳相關鑒權參數來解決此問題。
3. httpbin.org
httpbin.org是requests庫的作者開發的一個網站，可以專門用來測試requests庫的各種功能，其頁面如下：
但httpbin.org的服務器在國外，訪問速度比較慢。所以需要在本地搭建一個該網站的鏡像，方法如下：
- 前提：安裝好requests庫，才能基於該網站測試requests庫的功能。
pip install gunicorn httpbingunicorn httpbin:app- 瀏覽器輸入：127.0.0.1:8000,即可訪問。
注：以上步驟在windows下會報錯：缺少模塊pwd.fcanl，在linux下沒問題。