10行python爬虫代码爬取新浪所有文档，从此再也不怕没有资料了

后台有很多粉丝希望分享一些关于爬虫的知识，因为不管是做数据分析还是数据挖掘，其核心都是数据，实际生产活动中，很大一部分数据是来源于爬虫。

今天我们先来学习一下爬虫入门基础：requests和BeautifulSoup。这两大利器构成了我们爬虫的主要要素，很多深入的应用都是在这些基础之上的，下面我们就结合一个真实案例来进行学习。

今天我们要爬取的是新浪爱问共享资料，这个网站上有很多免费的文档，尤其是中小学生学习资料，是个不错的来源。

首先搜索我们需要的文档，比如：我想要关于初三物理的文档，搜索结果如下：

我们可以看到，每页有30个文档，并且总共有20页，这么多作业肯定狗亲戚家小朋友做的了。

那么，我们现在就来构思我们的爬虫，首先，我们要获取每篇文档的链接，接着再进入文档，爬取详细的内容，先来查看一下网页结构：

可以看到，30个文档模块整整齐齐的摆放在我们面前。那么首先就要来解析这个搜索目录了，先来看代码：

我们用到了requests这个库，这个库主要是用来请求url，并且获取这个url中的内容：

我分别打印了r和r.text，第一个返回的是200，表示网页请求成果，之后的是网页的详细信息。拿到网页之后该怎么办呢，下一步就是解析网页的内容，并且获取我们想要的信息，r.text返回的是一个文本，计算机并不认识，所以我们需要先把它整理成结构化的网页文档，这里就需要BeautifulSoup这个包了，老规矩先看代码：

首先把request返回的值使用html.parer进行解析，其次通过查找我们发现，所有的链接都存在于a标签当中，并且这些标签的class属性都是sts_8，所以我们就拿到了结果：

所有的结果都拿到了，但是这并不是我们的最终结果，我们想要的仅仅是href属性的值，我们发现，所有的结果都保存在一个列表当中，所以我们还有一个办法：

通过遍历列表的中的值，获取每个值的href属性，看下结果：

这正是我们想要的文章链接，所以拿到这些链接之后，我们就可以顺理成章的去获取具体文档内容了，剩下的交给大家自己练习了！按照这个思路，我们几乎可以爬取新浪所有文档，赶紧试试吧。