爬虫入门(N)

R爬虫：
rm(list = ls())
library('xml2')
library('rvest')
library('dplyr')
library('stringr')
i <- 1
for(i in 1:300){web <- read_html(paste('https://hrb.lianjia.com/ershoufang/pg/d', i, sep = ''), encoding = 'UTF-8')}
house_tag <- web %>% html_nodes('div.content') %>% html_text()
house_p <- web %>% html_nodes('div.price') %>% html_text()

Python爬虫：
网络爬虫简介：
网络爬虫，也叫网络蜘蛛(Web Spider)。
它根据网页地址(URL)爬取网页内容，而网页地址(URL)就是我们在浏览器中输入的网站链接。比如：https://www.baidu.com/，它就是一个URL。
在讲解爬虫内容之前，我们需要先学习一项写爬虫的必备技能：审查元素。
1、审查元素
在浏览器的地址栏输入URL地址，在网页处右键单击，找到检查。
不同浏览器的叫法不同，Chrome浏览器叫做检查，Firefox浏览器叫做查看元素，但是功能都是相同的。
我们可以看到，右侧出现了一大堆代码，这些代码就叫做HTML。
什么是 HTML？
举个容易理解的例子：我们的基因决定了我们的原始容貌，服务器返回的HTML决定了网站的原始容貌。
为啥说是原始容貌呢？因为人可以整容啊！扎心了，有木有？那网站也可以"整容"吗？
怎么给网站"整容"呢？就是通过修改服务器返回的HTML信息。
我们每个人都是"整容大师"，可以修改页面信息。
我们在页面的哪个位置点击审查元素，浏览器就会为我们定位到相应的HTML位置，进而就可以在本地更改HTML信息。
再举个小例子：我们都知道，使用浏览器"记住密码"的功能，密码会变成一堆小黑点，是不可见的。
可以让密码显示出来吗？可以，只需给页面"动个小手术"！以淘宝为例，在输入密码框处右键，点击检查。
可以看到，浏览器为我们自动定位到了相应的 HTML 位置。
将图中的password属性值改为text属性值(直接在右侧代码处修改)，我们让浏览器记住的密码就这样显现出来了。
说这么多，什么意思呢？
浏览器就是作为客户端从服务器端获取信息，然后将信息解析，并展示给我们的。
我们可以在本地修改HTML信息，为网页"整容"，但是我们修改的信息不会回传到服务器，服务器存储的HTML信息不会改变。
刷新一下界面，页面还会回到原本的样子。这就跟人整容一样，我们能改变一些表面的东西，但是不能改变我们的基因。
2、简单实例
网络爬虫的第一步就是根据 URL，获取网页的 HTML 信息。在Python3中，可以使用urllib.request和requests进行网页爬取。
urllib库是python内置的，无需我们额外安装，只要安装了Python就可以使用这个库。
requests库是第三方库，需要我们自己安装。
这个库强大好用，所以本文使用requests库获取网页的HTML信息。
requests库的github地址：https://github.com/requests/requests
(1)requests 安装
在 cmd 中，使用如下指令安装 requests：
pip install requests
官方中文教程地址：http://docs.python-requests.org/zh_CN/latest/user/quickstart.html
requests库的开发者为我们提供了详细的中文教程，查询起来很方便。本文不会对其所有内容进行讲解，摘取其部分使用到的内容，进行实战说明。
首先，让我们看下requests.get()方法，它用于向服务器发起GET请求，不了解GET请求没有关系。
我们可以这样理解：get的中文意思是得到、抓住，那这个requests.get()方法就是从服务器得到、抓住数据，也就是获取数据。
让我们看一个例子(以www.gitbook.cn为例)来加深理解：
# -*- coding:UTF-8 -*-
import requests

if __name__ == '__main__':
    target = 'http://gitbook.cn/'
    req = requests.get(url=target)
    print(req.text)
requests.get()方法必须设置的一个参数就是url，因为我们得告诉GET请求，我们的目标是谁，我们要获取谁的信息。
左侧是我们程序获得的结果，右侧是我们在www.gitbook.cn网站审查元素获得的信息。
我们可以看到，我们已经顺利获得了该网页的HTML信息。
这就是一个最简单的爬虫实例，可能你会问，我只是爬取了这个网页的 HTML 信息，有什么用呢？稍安勿躁，接下来进入我们的实战正文。