Python 爬蟲入門實例（爬取小米應用商店的top應用apk）

一，爬蟲是什么？

爬蟲就是獲取網絡上各種資源，數據的一種工具。具體的可以自行百度。

二，如何寫簡單爬蟲

1，獲取網頁內容

可以通過 Python(3.x) 自帶的 urllib,來實現網頁內容的下載。實現起來很簡單

import urllib.request

url="http://www.baidu.com"
response=urllib.request.urlopen(url)
html_content=response.read()

 還可以使用三方庫 requests ，實現起來也非常方便，在使用之前當然你需要先安裝這個庫：pip install requests 即可（Python 3以后的pip非常好使）

 

import requests

html_content=requests.get(url).text

2, 解析網頁內容

獲取的網頁內容html_content,其實就是html代碼，我們需要對其進行解析，獲取我們所需要的內容。

解析網頁的方法有很多，這里我介紹的是BeautifullSoup，由於這是一個三方庫，在使用前 還是要先安裝 ：pip install bs4

form bs4 imort BeautifullSoup

soup= BeautifullSoup(html_content, "html.parser")

更多使用方法請參考官方文檔：http://beautifulsoup.readthedocs.io/zh_CN/latest/

三，實例分析

弄懂爬蟲原理的最好辦法，就是多分析一些實例，爬蟲千變萬化，萬變不離其宗。廢話少說上干貨。

===================================我是分割線===================================================

需求：爬取小米應用商店的TOP n 應用

通過瀏覽器打開小米應用商店排行棒頁面，F12審查元素

 

#coding=utf-8
import requests
import re
from bs4 import BeautifullSoup
   
def parser_apks(self, count=0):
        '''小米應用市場'''
     _root_url="http://app.mi.com" #應用市場主頁網址
     res_parser={}
     page_num=1 #設置爬取的頁面，從第一頁開始爬取，第一頁爬完爬取第二頁，以此類推
     while count:
         #獲取排行榜頁面的網頁內容
         wbdata = requests.get("http://app.mi.com/topList?page="+str(page_num)).text
            print("開始爬取第"+str(page_num)+"頁")
            #解析頁面內容獲取 應用下載的 界面連接
            soup=BeautifulSoup(wbdata,"html.parser")
            links=soup.body.contents[3].find_all("a",href=re.compile("/details?"), class_ ="", alt="") #BeautifullSoup的具體用法請百度一下吧。。。
            for link in links:
                detail_link=urllib.parse.urljoin(_root_url, str(link["href"]))
                package_name=detail_link.split("=")[1]
                #在下載頁面中獲取 apk下載的地址
                download_page=requests.get(detail_link).text
                soup1=BeautifulSoup(download_page,"html.parser")
                download_link=soup1.find(class_="download")["href"]
                download_url=urllib.parse.urljoin(_root_url, str(download_link))
                #解析后會有重復的結果，下面通過判斷去重
                if download_url not in res_parser.values():
                    res_parser[package_name]=download_url
                    count=count-1
                if count==0:
                    break
            if count >0:
                page_num=page_num+1
        print("爬取apk數量為: "+str(len(res_parser)))
        return res_parser 

def craw_apks(self, count=1, save_path="d:\\apk\\"):
        res_dic=parser_apks(count) for apk in res_dic.keys(): print("正在下載應用: "+apk) urllib.request.urlretrieve(res_dic[apk],save_path+apk+".apk") print("下載完成")

if __name__=="__main__":

    craw_apks（10）

運行結果：

開始爬取第1頁
爬取apk數量為: 10
正在下載應用: com.tencent.tmgp.sgame
下載完成
.
.
.

以上就是簡單爬蟲的內容，其實爬蟲的實現還是很復雜的，不同的網頁有不同的解析方式，還需要深入學習。。。