Python 爬虫实战入门（下）
上一篇（
跳转任意门）我们通过requests将豆瓣电影top250的网页内容都爬取下来了，但是爬取的是整个网页内容，我们需要对这些内容进行分析，只将我们需要的内容保存下来，不需要的就直接丢弃。
那在这呢，给大家介绍另外一个第三方库Beautiful Soup，这里是它的中文介绍：
https://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html
可以大概看一下它的介绍：Beautiful Soup 是用Python写的一个HTML/XML的解析器，它可以很好的处理不规范标记并生成剖析树(parse tree)。它提供简单又常用的导航（navigating），搜索以及修改剖析树的操作。它可以大大节省你的编程时间。
那在这呢，咱们大概分析一下我们怎么对页面进行分析截取。
1．BeautifulSoup是基于标签的，所以我们第一步要准确定位到我们需要信息所在的标签。
2 .从定位的标签中提取我们需要的信息（一般在属性或者在string中）
3. 对于提取数据的简单处理
那我们照着上面的流程，对我们需要实现的程序进行分析
1. 需要准确定位到我们需要信息的标签，在这里，如果能有UI自动化基础，那就会更好理解一些，我们将标题所在的css selector拷贝出来
#content > div > div.article > ol > li:nth-child(1) > div > div.info > div.hd > a > span:nth-child(1)
2. 确认需要的信息在text属性里
那我们来简单的实现一下（test3.py）:
根据打印出来的信息，我们已经可以看到，第一条信息被我们截取出来了
我们以标题为例，再来看看每一页不同信息之间的区别
第一条：#content > div > div.article > ol > li:nth-child(1) > div > div.info > div.hd > a > span:nth-child(1)
第二条：#content > div > div.article > ol > li:nth-child(2) > div > div.info > div.hd > a > span:nth-child(1)
第三条：#content > div > div.article > ol > li:nth-child(3) > div > div.info > div.hd > a > span:nth-child(1)
可以看出来，除了标红的地方不一致之外，其他的内容一毛一样，那我们可以做以下处理(test4.py)：
根据打印信息，可以看到，当前单独页面的处理已经输出出来了
现在单独页面处理已经完成，接下来我们结合一下上一步的不同请求操作，和上面的页面处理，将所有的页面都来处理一下，参考以下代码（test5.py）：
根据输出信息，可以看到top250的信息。到这里，其实我们的爬虫已经可以工作了。
现在，大家已经可以将豆瓣电影 top250的内容爬取下来，并提取出需要的信息，可是现在我们能看到信息并没有办法持续存储，每次需要的时候都得重新爬取。那在这呢，我们来试着将爬取出来的信息保存到本地。
那在这呢，我们需要借助文档写入来对当前内容进行保存，对文档写入的话，我们需要借助open函数来写入。
先对之前爬取出来的内容进行一下分析：
第1条信息
标题为：肖申克的救赎
评分为：9.7
标题为：希望让人自由。
第2条信息
标题为：霸王别姬
评分为：9.6
标题为：风华绝代。
第3条信息
标题为：阿甘正传
评分为：9.5
标题为：一部美国近现代史。
第4条信息
标题为：这个杀手不太冷
评分为：9.4
标题为：怪蜀黍和小萝莉不得不说的故事。
我们可以看出来，每一条信息都是比较规整的，那我们可以将这些数据存储成csv文件。
那在这里就需要将之前的代码进行一下小改动（testspider.py）
运行代码之后，可以看到当前目录下生成了一个豆瓣电影250.csv的文件，在这里要稍微注意一下，如果直接使用excel打开当前这个csv文件，会出现乱码：
我们可以使用记事本打开之后，另存为 – 选择编码为“ANSI”：再次用excel打开，就可以看到内容了
到这里，我们的Python 爬虫实战入门就告一段落，希望大家学习愉快。
本文所有代码都可以在github上下载，链接地址为：
https://github.com/chrisblue0605/testspider_for_py.git
作 者：Testfan Chris
出 处：微信公众号：自动化软件测试平台
版权说明：欢迎转载，但必须注明出处，并在文章页面明显位置给出文章链接
