准备阶段
爬虫有什么用呢？举个最简单的小例子，你需要《战狼2》的所有豆瓣影评。最先想的做法可能是打开浏览器，进入该网站，找到评论，一个一个复制到文本中，保存，翻页，接着复制，直到翻到最后一页。而爬虫只要写脚本，执行，泡杯咖啡，坐等他执行完。
首先需要在电脑上装好 python3 和 pip 。此外还需要知道python的一些基本语法。这些内容网上搜索有许多教程(例如廖雪峰)，这边就不再细说了。
我们这次需要使用的是 正则表达式 re 库和第三方的 requests 库，以下是安装方法。
pip3 install requests
引入库。
import requests
import re爬虫可以简单的分为获取数据，分析数据，存储数据三个步骤。
下载数据
简单来说一个网页是由一个html文件解析构成，我们需要获取这个文本内容。
每个浏览器都可以通过开发者工具获取到文本内容，以chrome为例，打开网页后，右键->检查。
右边的 Elements 就是我们要下载的数据。
让我们看看 requests 是如何获取这个数据的。
url='http://lamyoung.com/';
html=requests.get(url);
if html.status_code == 200:
html_bytes=html.content;
html_str=html_bytes.decode();上面的 html_str 就是我们需要的源数据。获取数据我们需要一个网页地址，获取后判断状态码是否为200，最后再将内容decode就得到需要的整个html源数据。
分析数据
这次我们用正则表达式去解析源数据，截取到我们需要。关于详细的正则知识可以在这篇文章史上最全面的正则表达式教程中学习。
现在我们的目标是抓取博客的文章标题和链接，我们可以通过刚才的开发者工具获取文章标题和链接的特征。
可以看到我们要的内容都具有以下这种格式。
我们就为这种格式写出正则表达式。(ps: 我也写了几次才写对，看不懂的话我们私下交流交流 使用正则表达式中的 findall 把所有内容找出来，并保存在字符串中。 但是，我们只爬了其中的一页。还有许多页没有爬呢！(ps: 骄傲脸，我已经写了好多✌️页的原创内容了。)<a href="链接">
<h2 class="post-title">
标题
</h2>
xxxxxx
</a>
)regex = r"<a href=\"(.*)\">[\s]*?<h2 class=\"post-title\">[\s]*(.*)[\s]*</h2>[\s\S]*?</a>"
write_content = ''
all_items = re.findall(regex,html_str);
for item in all_items:
write_content=f'{write_content}\n{item[1]}\nhttp://lamyoung.com{item[0]}\n'
为此，我们加个循环判断就可以啦。
在判断状态码为200时，退出循环。index=1
while True:
page_url = '';
if index>1:
page_url=f'page{index}/'
url=f'http://lamyoung.com/{page_url}';
html=requests.get(url);
if html.status_code != 200:
print(html);
break;
存储数据 这次我们就用文本存储来结束我们的教程吧。(ps:数据库存储我也还没学到) 最后看下输出结果吧～with open('lamyoung_title_out.txt','w',encoding='utf-8') as f:
f.write(write_content)
本文只是简单地带你入门写个python爬虫（其实也不简单哈，正则表达式还是要花时间学学）。其实爬虫还涉及多线程，数据库，还有其他解析库(可能可以替代正则表达式)。后续 学到了第一时间分享给大家。
注释：本文来自公众号白玉无冰
python培训：http://www.baizhiedu.com/python2019
