Python爬虫详解：原理、常用库与实战案例

痛定思痛。 2024-04-06 15:57 13阅读 0赞

## 前言 ##

![请添加图片描述][c7f3e6b8a7624a9eabbea77dbcbca119.jpeg]

**前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家**：[https://www.captainbed.cn/z][https_www.captainbed.cn_z]  
![请添加图片描述][1aadba0376214fcea0eb681a898773a4.jpeg]

ChatGPT[体验地址][Link 1]

![请添加图片描述][c7f3e6b8a7624a9eabbea77dbcbca119.jpeg]

#### 文章目录 ####

*  前言
 *  引言：
 *  一、爬虫原理
 *   *  1. HTTP请求与响应过程
     *  2. 常用爬虫技术
 *  二、Python爬虫常用库
 *   *  1. 请求库
     *  2. 解析库
     *  3. 存储库
 *  三、编写一个简单的Python爬虫
 *  四、爬虫实战案例
 *   *  1. 分析网站结构
     *  2. 编写爬虫代码
 *  五、爬虫注意事项与技巧
 *  结语：

## 引言： ##

随着互联网的快速发展，数据成为了新时代的石油。Python作为一种高效、易学的编程语言，在数据采集领域有着广泛的应用。本文将详细讲解Python爬虫的原理、常用库以及实战案例，帮助读者掌握爬虫技能。  
![在这里插入图片描述][76744335ab234e729fb113942977d494.png]

## 一、爬虫原理 ##

爬虫，又称网络爬虫，是一种自动获取网页内容的程序。它模拟人类浏览网页的行为，发送HTTP请求，获取网页源代码，再通过解析、提取等技术手段，获取所需数据。

### 1. HTTP请求与响应过程 ###

爬虫首先向目标网站发送HTTP请求，请求可以包含多种参数，如URL、请求方法（GET或POST）、请求头（Headers）等。服务器接收到请求后，返回相应的HTTP响应，包括状态码、响应头和响应体（网页内容）。

### 2. 常用爬虫技术 ###

（1）请求库：如requests、aiohttp等，用于发送HTTP请求。  
（2）解析库：如BeautifulSoup、lxml、PyQuery等，用于解析网页内容。  
（3）存储库：如pandas、SQLite等，用于存储爬取到的数据。  
（4）异步库：如asyncio、aiohttp等，用于实现异步爬虫，提高爬取效率。

## 二、Python爬虫常用库 ##

### 1. 请求库 ###

（1）requests：简洁、强大的HTTP库，支持HTTP连接保持和连接池，支持SSL证书验证、Cookies等。  
（2）aiohttp：基于asyncio的异步HTTP网络库，适用于需要高并发的爬虫场景。

### 2. 解析库 ###

（1）BeautifulSoup：一个HTML和XML的解析库，简单易用，支持多种解析器。  
（2）lxml：一个高效的XML和HTML解析库，支持XPath和CSS选择器。  
（3）PyQuery：一个Python版的jQuery，语法与jQuery类似，易于上手。

### 3. 存储库 ###

（1）pandas：一个强大的数据分析库，提供数据结构和数据分析工具，支持多种文件格式。  
（2）SQLite：一个轻量级的数据库，支持SQL查询，适用于小型爬虫项目。

## 三、编写一个简单的Python爬虫 ##

以爬取豆瓣电影TOP250为例，讲解如何编写一个简单的Python爬虫。

1.  设计爬虫需求  
    爬取豆瓣电影TOP250的电影名称、评分、导演等信息。
2.  编写代码  
    （1）使用requests库发送HTTP请求，获取网页源代码。  
    （2）使用BeautifulSoup库解析网页内容，提取所需数据。  
    （3）使用pandas库存储数据，并保存为CSV文件。
3.  运行爬虫并展示结果

import requests
    from bs4 import BeautifulSoup
    import pandas as pd
    # 豆瓣电影TOP250的基础URL
    base_url = 'https://movie.douban.com/top250'
    # 定义一个函数来获取页面内容
    def get_page_content(url):
        headers = {
        
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3'}
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            return response.text
        else:
            print('请求页面失败:', response.status_code)
            return None
    # 定义一个函数来解析页面内容
    def parse_page_content(html):
        soup = BeautifulSoup(html, 'html.parser')
        movie_list = soup.find_all('div', class_='item')
        movies = []
        for movie in movie_list:
            title = movie.find('span', class_='title').get_text()
            rating = movie.find('span', class_='rating_num').get_text()
            director = movie.find('p', class_='').find('a').get_text()
            movies.append({
        'title': title, 'rating': rating, 'director': director})
        return movies
    # 定义一个函数来保存数据到CSV文件
    def save_to_csv(movies):
        df = pd.DataFrame(movies)
        df.to_csv('douban_top250.csv', index=False, encoding='utf_8_sig')
    # 主函数，用于运行爬虫
    def main():
        movies = []
        for i in range(0, 250, 25):  # 豆瓣电影TOP250分为10页，每页25部电影
            url = f'{
          base_url}?start={
          i}&filter='
            html = get_page_content(url)
            if html:
                movies.extend(parse_page_content(html))
        save_to_csv(movies)
        print('爬取完成，数据已保存到douban_top250.csv')
    # 运行主函数
    if __name__ == '__main__':
        main()

在实际使用中，需要根据豆瓣网站的实际情况调整以下内容：

1.  URL和参数：根据豆瓣电影的URL结构和参数进行设置。
2.  BeautifulSoup选择器：根据网页源代码的结构编写正确的选择器来提取数据。  
    此外，为了遵守网站的使用协议和法律法规，请确保在编写爬虫时遵循以下几点：

*  遵守Robots协议，不爬取网站禁止爬取的内容。
 *  设置合理的请求间隔，避免对网站服务器造成过大压力。
 *  如果遇到网站的反爬措施，如验证码、IP封禁等，请合理应对，遵守网站规定。
 *  使用爬虫获取的数据请勿用于商业目的或侵犯他人隐私。  
    最后，由于网站结构可能会发生变化，上述代码可能需要根据实际情况进行调整。在实际应用中，请确保您的爬虫行为合法合规。

## 四、爬虫实战案例 ##

以爬取某招聘网站职位信息为例，讲解如何编写一个实用的Python爬虫。

### 1. 分析网站结构 ###

通过观察招聘网站的URL、参数和页面结构，找到职位信息的来源。

### 2. 编写爬虫代码 ###

（1）使用requests库发送带参数的HTTP请求，获取职位列表。  
（2）使用lxml库解析职位列表，提取职位详情页URL。  
（3）使用PyQuery库解析职位详情页，提取职位信息。  
（4）使用SQLite数据库存储职位信息。  
3. 结果展示与分析

import requests
    from lxml import etree
    from pyquery import PyQuery as pq
    import sqlite3
    # 创建或连接SQLite数据库
    conn = sqlite3.connect('job.db')
    cursor = conn.cursor()
    # 创建职位信息表
    cursor.execute('CREATE TABLE IF NOT EXISTS job (id INTEGER PRIMARY KEY, title TEXT, salary TEXT, company TEXT, location TEXT)')
    # 分析网站结构后得到的职位列表URL
    url = 'https://www.example.com/jobs'
    # 发送HTTP请求获取职位列表
    params = {
        
        'page': 1,  # 假设页面参数为page，这里请求第1页
        'city': 'beijing'  # 假设城市参数为city，这里请求北京地区的职位
    }
    response = requests.get(url, params=params)
    response.encoding = 'utf-8'  # 设置字符编码，防止乱码
    # 使用lxml解析职位列表，提取职位详情页URL
    html = etree.HTML(response.text)
    job_list = html.xpath('//div[@class="job-list"]/ul/li/a/@href')  # 假设职位详情页URL在a标签的href属性中
    # 遍历职位详情页URL，爬取职位信息
    for job_url in job_list:
        job_response = requests.get(job_url)
        job_response.encoding = 'utf-8'
        job_html = pq(job_response.text)
        # 使用PyQuery解析职位详情页，提取职位信息
        title = job_html('.job-title').text()  # 假设职位名称在class为job-title的元素中
        salary = job_html('.job-salary').text()  # 假设薪资信息在class为job-salary的元素中
        company = job_html('.job-company').text()  # 假设公司名称在class为job-company的元素中
        location = job_html('.job-location').text()  # 假设工作地点在class为job-location的元素中
        # 存储职位信息到SQLite数据库
        cursor.execute('INSERT INTO job (title, salary, company, location) VALUES (?, ?, ?, ?)', (title, salary, company, location))
        conn.commit()
    # 关闭数据库连接
    cursor.close()
    conn.close()

在实际使用中，需要根据目标网站的实际情况调整以下内容：

1.  URL和参数：根据目标网站的URL结构和参数进行设置。
2.  Xpath表达式：根据网页源代码的结构编写正确的Xpath表达式来提取数据。
3.  PyQuery选择器：根据网页源代码的结构编写正确的CSS选择器来提取数据。
4.  数据库操作：根据需要创建合适的数据库表结构，并插入数据。  
    此外，为了遵守网站的使用协议和法律法规，请确保在编写爬虫时遵循以下几点：

*  遵守Robots协议，不爬取网站禁止爬取的内容。
 *  设置合理的请求间隔，避免对网站服务器造成过大压力。
 *  如果遇到网站的反爬措施，如验证码、IP封禁等，请合理应对，遵守网站规定。
 *  使用爬虫获取的数据请勿用于商业目的或侵犯他人隐私。

## 五、爬虫注意事项与技巧 ##

1.  遵循Robots协议  
    尊重网站的爬虫协议，避免爬取禁止爬取的内容。
2.  设置合理的请求间隔  
    避免对目标网站服务器造成过大压力，合理设置请求间隔。
3.  处理反爬虫策略  
    了解并应对网站的反爬虫策略，如IP封禁、验证码等。
4.  使用代理IP、Cookies等技巧  
    提高爬虫的稳定性和成功率。
5.  分布式爬虫的搭建与优化  
    使用Scrapy-Redis等框架，实现分布式爬虫，提高爬取效率。  
    六、Python爬虫框架
6.  Scrapy：强大的Python爬虫框架，支持分布式爬取、多种数据格式、强大的插件系统等。
7.  Scrapy-Redis：基于Scrapy和Redis的分布式爬虫框架，实现分布式爬取和去重功能。

## 结语： ##

通过本文的讲解，相信读者已经对Python爬虫有了较为全面的认识。爬虫技能在数据分析、自然语言处理等领域具有广泛的应用，希望读者能够动手实践，不断提高自己的技能水平。同时，请注意合法合规地进行爬虫，遵守相关法律法规。祝您学习愉快！  
![在这里插入图片描述][acf11482fdb3481a9a207b5376005cc6.png]

[c7f3e6b8a7624a9eabbea77dbcbca119.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/47699d9ead8c4765befa923a839c9235.jpeg
[https_www.captainbed.cn_z]: https://www.captainbed.cn/z
[1aadba0376214fcea0eb681a898773a4.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/ff241caa211348a79f364518a2a8f58c.jpeg
[Link 1]: http://39.101.69.226:3500/
[76744335ab234e729fb113942977d494.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/e4de5b605d314bad9a832df533ff4a89.png
[acf11482fdb3481a9a207b5376005cc6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/06/12144e3cf2584487a742d47129128dc3.png