Python 爬虫系列（一）

Python爬虫系列（一）初期学习爬虫的拾遗与总结

来源：极客头条

最近，为了提取裁判文书网的有关信息，自己迈入Python的学习之路，写了快两周的代码，自己写这篇文章总结下踩过的坑，还有遇到一些好的资料和博客等总结下（站在巨人肩膀上，减少重复工作），以便自己后期复习和参考和、分享给大家交流学习，也欢迎大家补充些精彩内容。

一、环境搭建和工具准备

1、为了省去时间投入学习，推荐直接安装集成环境 Anaconda
 
2、IDE：Pycharm、Pydev
 
3、工具：Jupyter Notebook（安装完Anaconda会有的）

二、Python基础视频教程

1、疯狂的Python：快速入门精讲（Python2.x，可体验到与Python3.x的差异）
 
2、零基础入门学习Python（小甲鱼的视频课程）
 
看完这些课程，自己对Python有一个感觉和掌握，可以继续看一些进阶教程
 
3、Python3大全（pasword:bf3e）

三、Python爬虫视频教程

1、Python网络爬虫实战（完整的看下来，收获不小）
 
2、Python3爬虫三大案例实战分享（非常好的课程，很多干货）

四、Python爬虫的相关连接

1、python爬虫的最佳实践
 
2、Python网络爬虫实战项目代码大全
 
3、零基础制作一个Python 爬虫
 
4、Python爬虫入门
 
5、Python3（csdn博客）
 
7、抓取斗鱼tv的房间信息

五、正则表达式和BeautifulSoup、PhatomJS +Selenium的使用

1、Python爬虫小白入门
 
2、轻松自动化---selenium-webdriver(python)
 
3、 Python 正则表达式 re
模块简明笔记
 
4、【Python 笔记】selenium
简介
 
5、Selenium
Webdriver定位页面元素的几种方式
 
6、 Python爬虫利器Selenium+PhantomJS系列入门
 
7、Python爬虫入门（7）：正则表达式
 
（大家可以关注写这些文章的作者，一般他们有Python文集，大家可以收藏下有参考价值的文章）

六、自己爬取新浪新闻相关信息的实战

爬取页面

我直接把源码贴在这里了，是参考Python网络爬虫实战课程做下来的

新闻评论数抽取函数

import re
 
import json
 
import requests
 
#js抓取新闻评论信息
 
commentURL='http://comment5.news.sina.com.cn/page/info?version=1&format=js&\
 
channel=gn&newsid=comos-{}&\
 
group=&compress=0&ie=utf-8&oe=utf-8&page=1&page_size=20&jsvar=loader_1491395188566_53913700'
 
def getCommentCounts(newsurl):
 
#获取新闻id
 
m=re.search('doc-i(.+).shtml',newsurl)
 
newsid=m.group(1)
 
#根据新闻id获取评论信息
 
comments=requests.get(commentURL.format(newsid))
#将信息解析为json格式
 
jd=json.loads(comments.text.strip('var loader_1491395188566_53913 700='))
 
return jd['result']['count']['total']



新闻内文信息抽取函数

import requests
 
from datetime import datetime
 
from bs4 import BeautifulSoup
 
def getNewsDetail(newsurl):
 
result={}
 
res=requests.get(newsurl)
 
res.encoding='utf-8'
 
soup=BeautifulSoup(res.text,'html.parser')
 
result['title']=soup.select('#artibodyTitle')
timesource=soup.select('.time-source')[0].contents[0].strip()
 
result['dt']=datetime.strptime(timesource,'%Y年%m月%d日%H:%M')
 
result['source']=soup.select('.time-source span a')[0].text
 
result['article']=' '.join([p.text.strip() for p in soup.select('#artibody p')[:-1]])
result['editor']=soup.select('.article-editor')[0].text.lstrip('责任编辑：')
 
return result

七、感想

这些天学习下来，Python爬虫思路和套路很明确，主要是我们要对不同网站（反爬等）设计不同爬取路线和方法，但是还是要求自己总结方法和积累知识吧，还有一点自己也希望能把爬虫运用到实际生活或者应用中（如果单纯的抽取一个网页信息其实没多大意思），比如尝试应用到批量下载一个网站的图片或者文件等等，让爬虫为我们服务。

转自http://ms.csdn.net/geek/192755