目录

一. 获取网页源代码 1. 四行代码获取（有时不灵）

首先通过最简单的四行代码来尝试一下获取百度新闻的网页源代码：

import requests   # 导入requests库
url = 'https://www.baidu.com/s?tn=news&rtt=1&bsst=1&cl=2&wd=阿里巴巴'  # 输入网址
res = requests.get(url).text    # 发送请求获取网页
print(res)    # 输出网页源码

获取到的源码如下图所示：

可以看到我们并没有真正获取到百度新闻的网页源代码，这是因为百度的资讯网站只同意浏览器发送的访问，不同意直接通过发送的访问请求。这时我们就需要设置.get()中参数，用来模拟浏览器进行访问。

2. 五行代码获取（常用方法）

参数记录的其实就是网站访问者的信息，代表这个访问的浏览器是哪家的浏览器，中的User-agent（中文叫作用户代理）就是反映是用什么浏览器登录的，其设置方式如下所示：（这里就是浏览器的User-Agent）

通过设定代理，可以爬取一些通过我们网络ip无法访问的网站。还有一些比较成熟的网站，如微博、豆瓣，它们会有非常高超的爬虫检测技术，这时我们就不能爬取它们的网站上的数据。 代理服务器的存在，可以应对网站禁止某个IP访问的反爬虫措施，代理服务器有着不同的匿名类型，通常我们会挑选中、高级别的代理服务器来访问网页。

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}

设置完之后，在通过.get()请求的时候需要加上信息，这样就能模拟一个浏览器来访问网站，网站是可以识别我们是否在使用进行爬取，需要我们在发送网络请求时，把部分伪装成浏览器。代码如下：

res = requests.get(url, headers=headers).text

完整代码如下：

import requests
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36'}   # 用户代理设置
url = 'https://www.baidu.com/s?tn=news&rtt=1&bsst=1&cl=2&wd=阿里巴巴'
res = requests.get(url, headers=headers).text  # 使用浏览器的用户代理向网站发送访问请求
print(res)

运行结果

总结：只要在开头设置一次，之后直接在.get()中添加=即可，这样可以避免可能会出现的爬取失败。可以看到通过短短5行代码，我们就能够获得网页的源代码了，而这个可以说是网络数据挖掘中最重要的一步了，之后所需要做的工具就是信息提取和分析了。

二、分析网页源代码信息

获取到网页源代码后，我们想提炼其中的新闻标题、网址、日期和来源等信息。在提炼这些信息之前，我们有三种常见的分析方法来观察这些信息的特征。

方法1：F12方法

点击选择按钮，选择一个标题，可以在中看到，我们所需要的标题内容就在这一片内容中，用同样的的方法可以查看信息日期和来源等信息。

如果看不到其中的中文信息，那是因为它被折叠了，点击折叠箭头展开折叠就可以看到中文了。不过有时通过F12看到的源代码并不一定准确，所以也常常和下面两种方法一起使用。

方法2：右击选择“查看网页源代码”

和之前提到过的一样，我们在浏览器上右击，选择“查看网页源代码”，到了源代码网页的时候，可能得往下滚动一下滚轮才能看到内容，然后便可以通过Ctrl + F快捷键（快速搜索快捷键）定位关心的内容了。

方法3：在获得的网页源代码中查看

在获取到源代码的输出框内通过Ctrl + F组合键，调出搜索框，搜索所关心的信息，这种方法也比较常见，不过需要先通过程序获得网页源代码信息。

在源代码里可以看到，关于新闻的标题，来源日期以及正文其实都已经有了，只不过被一些英文、空格以及换行包围着，需要通过一个手段将这些信息提取出来。一个常见的提取信息的手段就是通过正则表达式来进行提取，下面就通过使用正则表达式来提取我们需要的信息。

三、编写正则表达式爬取信息 1. 获取网页源代码

import requests
import re
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.83 Safari/537.36'}
url = 'https://www.baidu.com/s?tn=news&rtt=1&bsst=1&cl=2&wd=阿里巴巴'  # 把链接中rtt参数换成4即是按时间排序，默认为1按焦点排序
res = requests.get(url, headers=headers).text  # 加上headers用来告诉网站这是通过一个浏览器进行的访问
print(res)

2. 获取信息的网址和标题

# 获取信息的网址
p_href = '
.*?>(.*?)'
title = re.findall(p_title, res, re.S)
print(title)

3.获取信息的来源和日期

# 获取信息的来源 
p_source = '(.*?)' 
source = re.findall(p_source, res) 
print(source)
# 获取信息的日期 
p_date = '# 数据清洗和打印输出
for i in range(10):  # range(len(title)),这里因为知道len(title) = 10，所以也可以写成for i in range(10)
    title[i] = title[i].strip()  # strip()函数用来取消字符串两端的换行或者空格，不过这里好像不太需要了
    title[i] = re.sub('<.*?>', '', title[i])  # 核心，用re.sub()函数来替换不重要的内容
    print(str(i + 1) + '.' + title[i], source[i], date[i])  # print(1, 'hello') 这种写法，就是在同一行连续打印多个内容
    # print(str(i + 1) + '.' + title[i] + ' ' + source[i] + ' ' + date[i])  # 这个是纯字符串拼接
    print(href[i])   # 输出链接

5. 完整代码

import requests
import re
 
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.83 Safari/537.36'}
url = 'https://www.baidu.com/s?tn=news&rtt=1&bsst=1&cl=2&wd=阿里巴巴'  # 把链接中rtt参数换成4即是按时间排序，默认为1按焦点排序
res = requests.get(url, headers=headers).text  # 加上headers用来告诉网站这是通过一个浏览器进行的访问
 
"""使用正则表达式提取信息"""
# 获取信息的链接
p_href = '
.*?>(.*?)'
title = re.findall(p_title, res, re.S)
 
# 获取信息的来源 
p_source = '(.*?)' 
source = re.findall(p_source, res) 
# 获取信息的日期 
p_date = '返回列表