记录一下爬取豆瓣热门专栏的经过，通过这篇文章，你能学会requests，HTMLParser，json的基本使用，以及爬取网页内容的基本思路。
使用模块
1，获取豆瓣首页代码：首先我们需要访问豆瓣页面，获取首页的源码。这里推荐使用第三方库：requests，相比python内置的 urllib 模块，requests使用起来更简单，功能更全面
2，对获取的代码进行解析：对于解析html代码，已经有很多功能强大的框架能使用，如Scrapy，PySpider，Beautiful Soup等，这里我们只是学习下爬虫的基本使用，所以内建的 HTMLParser 足够使用了
3，对获取的数据进行处理： json
思路分析
既然我们需要的只是热门专栏模块的数据，那么我们需要一个标志来告诉我们：下面的代码就是专栏模块了，准备获取数据。同样我们需要知道当前
读取的是图片、标题还是栏目类别，以此将数据储存到相应的字段中。总的来说，我们最起码应该通过代码来实现以下几点：
1，获取网页源码
2，通过自定义方法解析html
3，通过标志位判断当前数据是否是我们需要的数据
4，通过分析代码结构决定将要储存的数据结构
5，将数据按照特定格式进行本地储存
豆瓣官网：https://www.douban.com/，分析一下我们需要爬取模块的代码：
可以看到，我们需要爬取的数据都在 ul.time-list 这个代码块里，那么我们的标志位就是：当开始标签为 ul并且具有类名 time-list时，我们就要获取数据了，当结束标签为 ul 时，停止解析，继续分析代码结构，每个 li 里面包含了对应数据里面的 详情页跳转链接，图片地址，标题以及专栏类别，那么我们的数据结构到这里也就很清楚了：一个 li 块对应一条数据，每条数据由四个字段组成：
详情页跳转链接 href --> 这里我们考虑了一下， 还是通过第二个a标签来获取，它具有统一的类名title，同时我们还能获取 标题title，
图片地址 imgUrl --> 通过每个li代码块里面唯一img标签的src属性可以轻松获取，
标题 title --> 通过 a.title获取，
专栏类别 type --> 唯一的 span 标签获取
tip：像上面我们选取数据的标志位一样，img的alt可以获取标题，a标签的文本也可以获取标题，两个a标签都能获取跳转链接不管是爬虫还是平时其他的开发，我们经常会遇到，同一个需求有多种方法实现，这时候我们就需要思考一下哪一种方法更简洁，冷静分析后的编码不一定最优秀，但自己肯定印象深刻(说远了，回归正题)。
编码实现
通过上面的准备工作，我们已经确定了需要引入的模块，解析事件触发标志位，需要获取的数据，储存的数据结构，可以正式开始编码了:
requests是第三方库，需要另外安装，其他的是内置模块，直接引入即可:
1 import requests2 from html.parser import HTMLParser3 from html.entities import name2codepoint4 import json
获取豆瓣首页源码：
1 r = requests.get('https://www.douban.com/', timeout = 3)
是的，通过 requests获取网页只需要一行代码，timeout为获取页面超时时间，通过 r.text 就是我们需要的html源码，r.encoding可以获取网页编码格式，当然requests还有其他的方法供我们使用，
如 带参数的url: r = requests.get(url, params={.....})，获取数据等
解析豆瓣首页源码：
HTMLParser 里已经封装好了针对html的各种事件处理，如 开始标签，结束标签，标签属性，标签文本，注释，特殊字符，不了解的可以看下这个：
https://www.liaoxuefeng.com/wiki/1016959663602400/1017784593019776，很简单很清晰
1 class MyHTMLParser(HTMLParser): 2 def __init__(self): 3 super().__init__() 4 # 是否开始解析 5 self._allowRun = False 6 7 # 创建dist备用：储存数据 8 self.hotList = {'data': []} 9 10 # 每一个 li 块数据储存11 self.listItem = {}12 13 # 当前解析标签类型的标志位14 self.tagType = ''15 16 # 开始标签及 标签属性17 def handle_starttag(self, tag, attrs):18 if tag == 'ul' and ('class', 'time-list') in attrs:19 self._allowRun = True20 21 # 若当前是开启解析状态22 if self._allowRun:23 if tag == 'a' and ('class', 'title') in attrs:24 self.tagType = 'a'25 for (key, value) in attrs:26 if key == 'href':27 self.listItem[key] = value28 if tag == 'img':29 for (key, value) in attrs:30 if key == 'src':31 self.listItem['imgUrl'] = value32 33 if tag == 'span':34 self.tagType = 'span'35 36 # 结束标签37 def handle_endtag(self, tag):38 self.tagType = ''39 if tag == 'ul':40 self._allowRun = False41 42 if tag == 'li':43 if len(self.listItem) != 0:44 self.hotList['data'].append(self.listItem)45 self.listItem = {}46 47 # 空标签及 标签属性48 def handle_startendtag(self, tag, attrs):49 if self._allowRun:50 if tag == 'img':51 for (key, value) in attrs:52 if key == 'src':53 self.listItem['imgUrl'] = value54 55 # 标签文本56 def handle_data(self, data):57 if self._allowRun:58 if self.tagType == 'a':59 self.listItem['title'] = data60 self.taga = False61 elif self.tagType == 'span':62 self.listItem['type'] = data63 64 # 注释65 def handle_comment(self, data):66 pass67 68 # HTML entity 字符69 def handle_entityref(self, name):70 pass71 72 # Numeric 字符73 def handle_charref(self, name):74 pass75 76 parser = MyHTMLParser()77 parser.feed(r.text)
代码说明：我们必须知道在解析过程中，实例方法是按照源码顺序循环执行的，也就是说在同一个实例方法里，我们可以针对不同的标签或其他条件来进行不同的操作。我们所有的解析操作都是针对 ul.time-list 代码块的，所以我们需要一个开关，当前代码是 ul.time-list时才执行我们自定义的解析操作，这个开关就是上面代码里的 _allowRun，当开始标签是 ul.time-list的是否为 True，当结束标签是 ul 的是否为False，而只有当 _allowRun 为 True的时候，我们才继续解析当前的标签是 a 还是 img 或者 span。由于我们要在 文本解析事件 handle_data 中获取 a 标签的文本作为字段 title 的值，span标签的文本作为字段 type 的值，所以我们需要一个标志位变量来供我们在执行 handle_data 的时候判断当前解析的文本是属于 a 还是 span，这个标志位变量就是上面代码中 tagType，在 handle_starttag 中赋值，在 handle_endtag 中清空。我们将每一条数据储存在 listItem 中，当结束标签为 li 时，说明我们的对一个 li 代码块解析完毕，listItem 储存了我们需要的单挑数据，将 listItem 添加到 hotList中并清空 listItem 。执行上面代码，我们已经将数据储存在实例属性 hotList里面，我们可以在终端输出 parser.hotList:
储存数据
接下来就是将数据储存到本地文件中，而写入数据也是非常简单：
1 with open('hotList.json', 'w') as f:2 json.dump(parser.hotList, f)
在当前目录里打开 hotList.json 文件，可以看到如下数据：
数据倒是写入了，但是中文却没有如愿显示，而且对于追求美观的我们来说也无法接受，所以我们需要指定写入编码格式，以及格式化：
1 with open('hotList.json', 'w', encoding="utf-8") as f:2 json.dump(parser.hotList, f, ensure_ascii = False, indent = 4)
我们在写入的时候指定编码格式为 utf-8: encoding="utf-8"，在 json.dump写入数据时增加了两个参数：ensure_ascii = False 禁止进行 ascii转码，indent = 4：按缩进为 4个单位格式化数据，当然我们还可以将字段进行排序，只需要加上字段：sort_keys = True,按需选择即可，再打开 hotList.json 文件查看：
1 { 2 "data": [ 3 { 4 "imgUrl": "https://img1.doubanio.com/dae/niffler/niffler/images/1c6e77ec-c493-11e9-84c0-0242ac110008.jpg