使用Pycharm写一个网络爬虫
在初步了解网络爬虫之后，我们接下来就要动手运用Python来爬取网页了。
我们知道，网络爬虫应用一般分为两个步骤：
1.通过网页链接获取内容；
2.对获得的网页内容进行处理
这两个步骤需要分别使用不同的函数库：requests和beautifulsoup4。所以我们要安装这两个第三方库。
我所用的编辑器是 Pycharm，它带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具，比如调试、语法高亮、Project管理、代码跳转、智能提示、自动完成等。本次安装第三方库是在Pycharm下进行安装的。
Pychram安装第三方库：
安装第三方库有很多方法，我这里用的是Pycharm自带功能进行下载安装：（当然也可以用pip方法进行安装）
打开：File→Settings→Project: cc(这里的文件名是cc)→Project Interpreter ，就会显示你已经安装好的库。
这里我已经安装好了requests和beautifulsoup4库，所以下图显示出来了。
点击“+”，在弹出的搜索框中输入要安装第三方库的名称，例如“requests”。
在弹出的选项中选中需要安装的库后，点击“Install Package”。待下载完成后就安装成功了。
同理，安装beautifulsoup4时，在搜索框里搜索“beautifulsoup4”，进行安装就可以了、
下面介绍一下第三方库：
requests库
requests库是一个简洁且简单的处理HTTP请求的第三方库，它的最大优点是程序编写过程更接近正常URL访问过程。这个库建立在Python语言的urllib3库的基础上，类似这种在其他函数库之上再封装功能、提供更友好函数的方式在Python 语言中十分常见。
requests库支持非常丰富的链接访问功能，包括国际域名和URL获取、HTTP长连接和连接缓存、HTTP会话和Cookie保持、浏览器使用风格的SSL验证、基本的摘要认证、有效的键值对Cookie记录、自动解压缩、自动内容解码、文件分块上传、HTTP(S)代理功能、连接超时处理、流数据下载等。
如何使用requests库？requests库提供了一些常用函数如下：
requests库中的网页请求函数
| 函数 | 描述 |
| get(url, [timeout=n]) | 对应于HTTP的GRT方式，获取网页最常用的方法，可以增加timeout=n参数，设定每次请求超时时间为n秒 |
| post(url,data={''key}:''value) | 对应于HTTP的DELETE方式 |
| delete(url) | 对应于HTTP的HEAD方式 |
| head(url) | 对应于HTTP的HEAD方式 |
| option(url) | 对应于HTTP的OPTION方式 |
| put(url,data={'key':'value'}) | 对应于HTTP的PUT方式，其中字典用于传递客户数据 |
一般运用这些函数的方法是requests.函数名()，不同的函数有不同的功能。
import requests r=requests.get("http://www.baidu.com/") r.encoding="utf-8" #编码方式为utf-8,不加的话会出现中文乱码 print(r.text)
代码运行结果为：
和浏览器的交互过程一样，用requests.get()代表请求，它返回的Response代表响应。返回的内容作为一个对象更便于操作，下面是Response对象的属性
Response对象的属性
| 属性 | 描述 |
| status_code | HTTP请求的返回状态，整数，200表示连接成功，404表示失败 |
| text | HTTP响应内容的字符串形式，即url对应的页面内容 |
| encoding | HTTP响应内容的编码方式 |
| content | HTTP响应内容的二进制形式 |
import requests r=requests.get("http://www.baidu.com/") print(r.status_code) print(r.text) print(r.encoding) print(r.content)
运行结果如下，可以看到爬取网页的一系列信息。
Response对象还有一些方法。
Response对象的方法
| 方法 | 描述 |
| json() | 如果HTTP响应内容包括JSON格式数据，则该方法解析JSON数据 |
| raise_for_status() | 如果不是200，则产生异常 |
使用requests 库获取HTML页面并将其转换成字符串后，需要进一步解析HTML页面格式，提取有用信息，这需要处理HTML和XML的函数库。
beautifulsoup4库
beautifulsoup4库，也称为Beautiful Soup 库或bs4库，用于解析和处理HTML和XML。需要注意的是，它不是BeautifulSoup库。它的最大优点是能根据HTML和XML语法建立解析树，进而高效解析其中的内容。
HTML建立的Web页面一般非常复杂， 除了有用的内容信息外，还包括大量用于页面格式的元素，直接解析一个Web网页需要深入了解HTML语法，而且比较复杂。beautifulsoup4 库将专业的Web页面格式解析部分封装成函数，提供了若干有用且便捷的处理函数。
beautifulsoup4库采用面向对象思想实现，简单地说，它把每个页面当作一个对象，通过<a>.<b>的方式调用对象的属性(即包含的内容)，或者通过<a>.<b>0的方式调用方法(即处理函数)。在使用beautifulsoup4库之前，需要进行引用，由于这个库的名字非常特殊且采用面向对象方式组织，可以用from-import方式从库中直接引用BeautifulSoup 类。
例如：
from bs4 import BeautifulSoup
HTML中主要结构都变成了BeautifulSoup对象的一个属性，可以通过<a>.<b>获得，下面是BeautifulSoup中常用的一些属性：
BeautifulSoup对象的常用属性
| 属性 | 描述 |
| head | HTML页面的<head>内容 |
| title | HTML页面标题，在<head>之中，由<title>标记 |
| body | HTML页面的<body>内容 |
| p | HTML页面中第一个<p>内容 |
| strings | HTML页面所有呈现在Web上的字符串，即标签上的内容 |
| stripped_strings | HTML页面所有呈现在Web上的非空格字符串 |
import requests from bs4 import BeautifulSoup r=requests.get("http://www.baidu.com/") r.encoding="utf-8" soup=BeautifulSoup(r.text) print(soup.head) print(soup.title) print(soup.strings)
结果如下：
BeautifulSoup属性与HTML属性的标签名称相同。每一个Tag标签在beautifulsoup4库中也是一个对象，成为Tag对象。所以可以通过Tag对象的属性多的相应的内容，Tag对象的属性如下所示：
标签对象的常用属性
| 属性 | 描述 |
| name | 字符串，标签的名字，比如div |
| attrs | 字典，包含了原来页面Tag所有的属性，比如href |
| contents | 列表，这个Tag下所有子Tag的内容 |
| string | 字符串，Tag所包围的文本，网页中真实的文字 |
import requests from bs4 import BeautifulSoup r=requests.get("http://www.baidu.com/") r.encoding="utf-8" soup=BeautifulSoup(r.text) print(soup.a) print(soup.a.string)
结果如下：
由于HTML语法可以在标签中嵌套其他标签，所以，string 属性的返回值遵循如下原则。
(1)如果标签内部没有其他标签，string 属性返回其中的内容。
(2)如果标签内部还有其他标签，但只有一个标签，string 属性返回最里面标签的内容。
(3)如果标签内部有超过1层嵌套的标签，string 属性返回None (空字符串)。HTML语法中同一个标签会有很多内容，例如<a>标签,百度首页一共有13处，直接调用soup.a只能返回第一个。
遇到的问题：
1.在Pycharm使用Python爬取网页时，爬取的网页源码显示在一行，网页源码没有换行。
例如：
import requests r=requests.get("http://www.baidu.com/") r.encoding="utf-8" print(r.text)
运行上述代码，你会发现你爬取的网页源码显示在一行内。
解决办法：点击箭头所指的按钮，控制台就会自动换行了。
2.Pycharm在安装好第三方库时，在新建一个项目时，你会发现之前已经安装的第三方库不能使用。
新建一个项目，你会发现它没有之前安装的第三方库了
这时，你可以点击下拉框，再在下拉框中选择“show all”
这时，你可以找到上一个你已经安装好第三方库的项目，选中然后确认
再点击确定
然后运行代码，你就会发现可以使用第三方库了
