环境

python:3.7.4

python库:requests-html

IDE:pycharm2019.3版本

浏览器:Chrome最新版

爬取网址: https://movie.douban.com/top250

教程

本次爬取的网页是豆瓣top250，这是一个典型的静态网页，适合入门学习如何爬取需要的内容

静态网页是指一次性加载所有内容，可以直接获取网页的内容

动态网页会在滚动或点击的时候有些地方再加载出来，例如知乎滚动会一直加载新的内容

首先打开网址，按下F12打开开发者模式，切换到Network

正常情况下会没有内容，因为我们页面已经加载好了，现在需要右键标签重新加载或者刷新页面

选中top250，一般第一个就是请求页面的内容，可以清楚的看到请求的方法和网址

跳过中间的响应头，下一个是请求头

我们为了避免被反爬虫检测到，一般采用模拟浏览器的行为，也就是构建请求头

下面附上代码来详细了解一下过程

from requests_html import HTMLSession
def dou_ban():
    session = HTMLSession()  # 创建一个会话
    url = 'https://movie.douban.com/top250'  # 请求的网址
    # 浏览器请求头
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36',
        'Connection': 'close'
    }
    r = session.get(url=url, headers=headers)       # get请求
    name = r.html.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[1]/a/span[1]/text()')[0]
    print('电影名字:', name)
    score = r.html.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[2]/div/span[2]/text()')[0]
    print('评分:', score)
    numbers = r.html.xpath('//*[@id="content"]/div/div[1]/ol/li[1]/div/div[2]/div[2]/div/span[4]/text()')[0]
    print('评价人数:', numbers)
dou_ban()   # 函数调用

输出结果

session就是创建一个会话，利用它来进行http请求，url是请求的网址

headers是模仿浏览器头，一般都加上User-Agent表示模拟chrome浏览器避免被检查出来是爬虫，这里加了一个Connection是因为一般默认的连接是keep_alive，也就是长连接，多次运行会导致出现http连接数达到最大值的异常，可能会出现(Max retries exceeded with url ....)，如果已经出现了我的解决方法是重启计算机！

根据网页看到是get方法请求，所以利用get方法，返回的是服务器给我们的内容，用text属性可以看到整个html页面

一般我们不会关注整个页面，而是提取我们想要的内容，这里就要利用提取规则，一般对于静态页面有xpath和css选择器等，这里用的是xpath(教程链接: https://www.jianshu.com/p/85a3004b5c06)，这里不需要特别学习xpath语法，因为浏览器可以帮助我们快速找到

r.html.xpath表示用xpath提取内容，教程中提取了第一个电影《肖申克的救赎》的名字、评分、评价人数