這是最簡單的Python爬蟲案例，如果你能看懂，那么請你保持信心，因為你已經入門Python爬蟲，只要帶著信心和努力，你的技術能力在日后必定價值15K月薪。
這次是要爬取網易新聞，包括新聞標題、作者、來源、發布時間、正文等。
第一步，我們先找到網易新聞的網站，并且打開，選擇其中的某一個分類，比如：國內新聞，然后點擊鼠標的右鍵查看源代碼。
如果你遇到了以下這種情況：
在源代碼中并沒有頁面正中的新聞列表。這說明此網頁采用的是異步的方式。也就是通過api接口獲取的數據。
在確認之后，用F12打開谷歌瀏覽器的控制臺，點擊 Network，我們一直往下拉，發現右側出現了："… special/00804KVA/cm_guonei_03.js? … "之類的地址，點開Response發現正是我們要找的api接口。
可以看到這些接口的地址都有一定的規律：“cm_guonei_03.js”、“cm_guonei_04.js”，那么就很明顯了：
http://temp.163.com/special/00804KVA/cm_guonei_0(*).js
上面的鏈接也就是我們本次抓取所要請求的地址。
接下來只需要用到的python的兩個庫：
requestsjsonBeautifulSoup
requests庫就是用來進行網絡請求的，說白了就是模擬瀏覽器來獲取資源。由于我們采集的是api接口，它的格式為json，所以要用到json庫來解析。BeautifulSoup是用來解析html文檔的，可以很方便的幫我們獲取指定div的內容。
下面我們正式進入爬蟲程序的編寫
第一步先導入以上三個包：
接著我們定義一個獲取指定頁碼內數據的方法：
這樣子就得到每個頁碼對應的內容列表：
之后通過分析數據可知下圖圈出來的則是需要抓取的標題、發布時間以及新聞內容頁面。
既然現在已經獲取到了內容頁的url，那么接下來開始抓取新聞正文。
在抓取正文之前要先分析一下正文的html頁面，找到正文、作者、來源在html文檔中的位置。
我們看到文章來源在文檔中的位置為：id = “ne_article_source” 的 a 標簽。作者位置為：class = “ep-editor” 的 span 標簽。正文位置為：class = “post_text” 的 div 標簽。
下面采集這三個內容的代碼：
到此為止我們所要抓取的所有數據都已經采集了。
那么接下來當然是把它們保存下來，為了方便我直接采取文本的形式來保存。下面是最終的結果：
格式為json字符串，“標題” ： [ ‘日期’， ‘url’， ‘來源’， ‘作者’， ‘正文’ ]。
要注意的是目前實現的方式是完全同步的，線性的方式，存在的問題就是采集會非常慢。主要延遲是在網絡IO上，下次可以升級為異步IO，異步采集，有興趣的可以關注下次的文章。
通過本次練手，各位應該會對爬蟲有一個入門級的了解。
