爬静态网站主要分为两部分：

爬静态网站的文字

爬静态网站的图片

[TOC]

爬文字 思路

用requests模块得到网站的HTML

用BeautifulSoup模块得到HTML的正则文本

用find或者find_all函数从正则文本中得到自己想要的

用repalce去除不需要的字符

源代码 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
 
# 使脚本可以识别中文
# 爬网站：

import requests
from bs4 import BeautifulSoup
# 调用需要的模块
if __name__ == '__main__':
req = requests.get ('')
# 得到网站的HTML
req.encoding = req.apparent_encoding
#获取文本原来编码，使两者编码一致才能正确显示
html = req.text
bf = BeautifulSoup(html,'html.parser')
# 把HTML文件转为正则文件（我的理解是文本文件）
body = bf.body
texts = body.find_all ('div',{'class':'article-content'})
# 用find_all函数找到 这样的div文件，其class是article-content
print(texts[0].text.replace('xa0'*8,'nn'))
# 用replace函数提出所有的字符、空格等
 
可以看到的结果

爬图片 思路

用requests模块得到网站的HTML

用BeautifulSoup得到HTML的正则文本

用find函数从正则文本中得到自己想要的，比如关键词img

利用urllib模块下载

利用for语句下载所有图片

源代码 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
 

import requests,urllib
from bs4 import BeautifulSoup

if __name__ == '__main__':
rep = requests.get('https://darerd.github.io/2019/03/21/%E9%9A%8F%E6%83%B3-%E6%96%B0%E9%9B%B6%E5%94%AE%E4%BC%81%E4%B8%9A%E2%80%9C%E2%80%9C%E6%99%BA%E8%83%9C%E2%80%9D%E6%9C%AA%E6%9D%A5/')
rep.encoding = rep.apparent_encoding
html = rep.text
bs = BeautifulSoup(html,'html.parser')
img = bs.find_all('img')
# 在bs正则文件中找到所有 带有img标签的结果
x=1
for i in img :
# 利用for语句得到每一个图片的src
imgsrc = i.get('src')
# 从img中找到图片的下载链接，src
urllib.request.urlretrieve(imgsrc,'./%s.jpg' %x)
# 利用urllib模块去下载图片
x=x+1
print ('正在下载: %d '%x)
 
爬虫时必须会用网页源代码

以爬图片为例：

这是我们要爬的网站：[https://darerd.github.io/2019/03/21/随想-新零售企业““智胜”未来/]

打开网站后（我用的Chrome浏览器），键盘快捷键F12，即可打开网站的调试模式，效果如下：

右侧就是网站的源代码，可以用来爬

如果需要快速定位到某一部分的代码所在位置，我们可以鼠标右键，选择检查，，如下图所示：

如果我们要快速定位某图片所在的代码位置，演示如下：

用这种方法观察每一张图片的源码：