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

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

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

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

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

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