不少讀者是剛剛?cè)腴T(mén)Python或者想學(xué)習(xí)Python的，今天就來(lái)談?wù)?strong>如何用快速入門(mén)爬蟲(chóng)。

先說(shuō)結(jié)論：入門(mén)爬蟲(chóng)很容易，幾行代碼就可以，可以說(shuō)是學(xué)習(xí)Python最簡(jiǎn)單的途徑。

以我純小白、零基礎(chǔ)的背景來(lái)說(shuō)，入門(mén)爬蟲(chóng)其實(shí)很容易，容易在代碼編寫(xiě)很簡(jiǎn)單，簡(jiǎn)單的爬蟲(chóng)通常幾行就能搞定，而不容易在確定爬蟲(chóng)的目標(biāo)，也就是說(shuō)為什么要去寫(xiě)爬蟲(chóng)，有沒(méi)有必要用到爬蟲(chóng)，是不是手動(dòng)操作幾乎無(wú)法完成，互聯(lián)網(wǎng)上有數(shù)以百萬(wàn)千萬(wàn)計(jì)的網(wǎng)站，到底以哪一個(gè)網(wǎng)站作為入門(mén)首選，這些問(wèn)題才是難點(diǎn)。所以在動(dòng)手寫(xiě)爬蟲(chóng)前，最好花一些時(shí)間想一想這清楚這些問(wèn)題。

「Talk is cheap. Show me the code」，下面我就以曾寫(xiě)過(guò)的一個(gè)爬蟲(chóng)為例，說(shuō)一說(shuō)我是如何快速入門(mén)Python爬蟲(chóng)的。（私信我python，獲得萬(wàn)元python學(xué)習(xí)大禮包！）

▌確立目標(biāo)

第一步，確立目標(biāo)。

為什么想起寫(xiě)這個(gè)爬蟲(chóng)呢，是因?yàn)檫@是曾經(jīng)在工作中想要解決的問(wèn)題，當(dāng)時(shí)不會(huì)爬蟲(chóng)，只能用Excel花了數(shù)個(gè)小時(shí)才勉強(qiáng)地把數(shù)據(jù)爬了下來(lái)， 所以在接觸到爬蟲(chóng)后，第一個(gè)想法就是去實(shí)現(xiàn)曾未實(shí)現(xiàn)的目標(biāo)。以這樣的方式入門(mén)爬蟲(chóng)，好處顯而易見(jiàn)，就是有了很明確的動(dòng)力。

很多人學(xué)爬蟲(chóng)都是去爬網(wǎng)上教程中的那些網(wǎng)站，網(wǎng)站一樣就算了，爬取的方法也一模一樣，等于抄一遍，不是說(shuō)這樣無(wú)益，但是會(huì)容易導(dǎo)致動(dòng)力不足，因?yàn)槟銢](méi)有帶著目標(biāo)去爬，只是為了學(xué)爬蟲(chóng)而爬，爬蟲(chóng)雖然是門(mén)技術(shù)活，但是如果能建立在興趣愛(ài)好或者工作任務(wù)的前提下，學(xué)習(xí)的動(dòng)力就會(huì)強(qiáng)很多。

在確定好爬蟲(chóng)目標(biāo)后，接著我就在腦中預(yù)想了想要得到什么樣的結(jié)果、如何展示出來(lái)、以什么形式展現(xiàn)這些問(wèn)題。所以，我在爬取網(wǎng)站之前，就預(yù)先構(gòu)想出了想要的一個(gè)結(jié)果，大致是下面這張圖的樣子。

目標(biāo)是利用爬下來(lái)的數(shù)據(jù)，嘗試從不同維度年份、省份、城市去分析全國(guó)的股市信息，然后通過(guò)可視化圖表呈現(xiàn)出來(lái)。

拋開(kāi)數(shù)據(jù)，可能你會(huì)覺(jué)得這張圖在排版布局、色彩搭配、字體文字等方面還挺好看的。這些呢，就跟爬蟲(chóng)沒(méi)什么關(guān)系了，而跟審美有關(guān)，提升審美的一種方式是可以通過(guò)做PPT來(lái)實(shí)現(xiàn)，所以你看，咱們說(shuō)著說(shuō)著就從爬蟲(chóng)跳到了 PPT，不得不說(shuō)我此前發(fā)的文章鋪墊地很好啊，哈哈。其實(shí)，在職場(chǎng)中，你擁有的技能越多越好。

▌直接開(kāi)始

確定了目標(biāo)后，第二步就可以開(kāi)始寫(xiě)爬蟲(chóng)了，如果你像我一樣，之前沒(méi)有任何編程基礎(chǔ)，那我下面說(shuō)的思路，可能會(huì)有用。

剛開(kāi)始動(dòng)手寫(xiě)爬蟲(chóng)，我只關(guān)注最核心的部分，也就是先成功抓到數(shù)據(jù)，其他的諸如：下載速度、存儲(chǔ)方式、代碼條理性等先不管，這樣的代碼簡(jiǎn)短易懂、容易上手，能夠增強(qiáng)信心。

所以，我在寫(xiě)第一遍的時(shí)候，只用了5行代碼，就成功抓取了全部所需的信息，當(dāng)時(shí)的感覺(jué)就是很爽，覺(jué)得爬蟲(chóng)不過(guò)如此啊，自信心爆棚。

3000 上市公司的信息，安安靜靜地躺在 Excel 中：

▌不斷完善

有了上面的信心后，我開(kāi)始繼續(xù)完善代碼，因?yàn)?行代碼太單薄，功能也太簡(jiǎn)單，大致從以下幾個(gè)方面進(jìn)行了完善：

• 增加異常處理

由于爬取上百頁(yè)的網(wǎng)頁(yè)，中途很可能由于各種問(wèn)題導(dǎo)致爬取失敗，所以增加了 try except 、if 等語(yǔ)句，來(lái)處理可能出現(xiàn)的異常，讓代碼更健壯。

• 增加代碼靈活性

初版代碼由于固定了URL參數(shù)，所以只能爬取固定的內(nèi)容，但是人的想法是多變的，一會(huì)兒想爬這個(gè)一會(huì)兒可能又需要那個(gè)，所以可以通過(guò)修改 URL 請(qǐng)求參數(shù)，來(lái)增加代碼靈活性，從而爬取更靈活的數(shù)據(jù)。

• 修改存儲(chǔ)方式

初版代碼我選擇了存儲(chǔ)到Excel這種最為熟悉簡(jiǎn)單的方式，人是一種惰性動(dòng)物，很難離開(kāi)自己的舒適區(qū)。但是為了學(xué)習(xí)新知識(shí)，所以我選擇將數(shù)據(jù)存儲(chǔ)到 MySQL 中，以便練習(xí) MySQL 的使用。

• 加快爬取速度

初版代碼使用了最簡(jiǎn)單的單進(jìn)程爬取方式，爬取速度比較慢，考慮到網(wǎng)頁(yè)數(shù)量比較大，所以修改為了多進(jìn)程的爬取方式。

經(jīng)過(guò)以上這幾點(diǎn)的完善，代碼量從原先的5行增加到了下面的幾十行：

 1import requests
 2import pandas as pd
 3from bs4 import BeautifulSoup
 4from lxml import etree
 5import time
 6import pymysql
 7from sqlalchemy import create_engine
 8from urllib.parse import urlencode # 編碼 URL 字符串
 9
10start_time = time.time() #計(jì)算程序運(yùn)行時(shí)間
11def get_one_page(i):
12 try:
13 headers = {
14 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36'
15 }
16 paras = {
17 'reportTime': '2017-12-31',
18 #可以改報(bào)告日期，比如2018-6-30獲得的就是該季度的信息
19 'pageNum': i #頁(yè)碼
20 }
21 url = 'http://s./stock/a/?'   urlencode(paras)
22 response = requests.get(url,headers = headers)
23 if response.status_code == 200:
24 return response.text
25 return None
26 except RequestException:
27 print('爬取失敗')
28
29def parse_one_page(html):
30 soup = BeautifulSoup(html,'lxml')
31 content = soup.select('#myTable04')[0] #[0]將返回的list改為bs4類(lèi)型
32 tbl = pd.read_html(content.prettify(),header = 0)[0]
33 # prettify()優(yōu)化代碼,[0]從pd.read_html返回的list中提取出DataFrame
34 tbl.rename(columns = {'序號(hào)':'serial_number', '股票代碼':'stock_code', '股票簡(jiǎn)稱(chēng)':'stock_abbre', '公司名稱(chēng)':'company_name', '省份':'province', '城市':'city', '主營(yíng)業(yè)務(wù)收入(201712)':'main_bussiness_income', '凈利潤(rùn)(201712)':'net_profit', '員工人數(shù)':'employees', '上市日期':'listing_date', '招股書(shū)':'zhaogushu', '公司財(cái)報(bào)':'financial_report', '行業(yè)分類(lèi)':'industry_classification', '產(chǎn)品類(lèi)型':'industry_type', '主營(yíng)業(yè)務(wù)':'main_business'},inplace = True)
35 return tbl
36
37def generate_mysql():
38 conn = pymysql.connect(
39 host='localhost',
40 user='root',
41 password='******',
42 port=3306,
43 charset = 'utf8', 
44 db = 'wade')
45 cursor = conn.cursor()
46
47 sql = 'CREATE TABLE IF NOT EXISTS listed_company (serial_number INT(20) NOT NULL,stock_code INT(20) ,stock_abbre VARCHAR(20) ,company_name VARCHAR(20) ,province VARCHAR(20) ,city VARCHAR(20) ,main_bussiness_income VARCHAR(20) ,net_profit VARCHAR(20) ,employees INT(20) ,listing_date DATETIME(0) ,zhaogushu VARCHAR(20) ,financial_report VARCHAR(20) , industry_classification VARCHAR(20) ,industry_type VARCHAR(100) ,main_business VARCHAR(200) ,PRIMARY KEY (serial_number))'
48 cursor.execute(sql)
49 conn.close()
50
51def write_to_sql(tbl, db = 'wade'):
52 engine = create_engine('mysql pymysql://root:******@localhost:3306/{0}?charset=utf8'.format(db))
53 try:
54 tbl.to_sql('listed_company2',con = engine,if_exists='append',index=False)
55 # append表示在原有表基礎(chǔ)上增加，但該表要有表頭
56 except Exception as e:
57 print(e)
58
59def main(page):
60 generate_mysql()
61 for i in range(1,page): 
62 html = get_one_page(i)
63 tbl = parse_one_page(html)
64 write_to_sql(tbl)
65
66# # 單進(jìn)程
67if __name__ == '__main__': 
68 main(178)
69 endtime = time.time()-start_time
70 print('程序運(yùn)行了%.2f秒' %endtime)
71
72# 多進(jìn)程
73from multiprocessing import Pool
74if __name__ == '__main__':
75 pool = Pool(4)
76 pool.map(main, [i for i in range(1,178)]) #共有178頁(yè)
77 endtime = time.time()-start_time
78 print('程序運(yùn)行了%.2f秒' %(time.time()-start_time))

雖然代碼行數(shù)增加了不少，但是這個(gè)過(guò)程卻覺(jué)得很自然，因?yàn)槊看涡薷亩际轻槍?duì)一個(gè)小點(diǎn)，一點(diǎn)點(diǎn)去學(xué)，搞懂后添加進(jìn)來(lái)，而如果讓我上來(lái)就直接寫(xiě)出這幾十行的代碼，我很可能就放棄了。

所以，你可以看到，入門(mén)爬蟲(chóng)是有套路的，最重要的是給自己信心。