2020最新Python爬虫入门实战项目，新手必学

Bertha 。 2023-07-25 11:26 13阅读 0赞

![format_png][]

## 1. 前言 ##

首先自我介绍一下，我是一个做 Java 的开发人员，从今年下半年开始，一直在各大技术博客网站发表自己的一些技术文章，差不多有几个月了，之前在 cnblog 博客园加了网站统计代码，看到每天的访问量逐渐多了起来，国庆正好事情不多，就想着写一个爬虫，看下具体阅读量增加了多少，这也就成了本文的由来。  
这里注意：不管你是为了Python就业还是兴趣爱好，记住：项目开发经验永远是核心，如果你缺新项目练习或者没有python精讲教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，里面很多新python教程项目，还可以跟老司机交流讨教！

## 2. 技术选型 ##

爬虫这个功能，我个人理解是什么语言都能写的，只要能正常发送 HTTP 请求，将响应回来的静态页面模版 HTML 上把我们所需要的数据提取出来就可以了，原理很简单，这个东西当然可以手动去统计收集，但是网络平台毕竟还是很多的，还是画点时间，写个爬虫把数据爬取下来，存到数据库里，然后写一个统计报表的 SQL 语句比较方便，后续如果有时间的话，我会写一个简单的前后端分离的报表样例分享出来。

网上现在 Python 爬虫的课程非常的火爆，其实我心里也有点小九九，想玩点骚操作，不想用老本行去写这个爬虫，当然最后的事实是证明确实用 Python 写爬虫要比用 Java 来写爬虫要简单的多。

## 3. 环境准备 ##

首先笔者的电脑是 Win10 的，Python 选用的是 3.7.4 ，貌似现在网上 Python3 的爬虫教程并不多，其中还是遇到不少的问题，下面也会分享给大家。

开发工具笔者选用的是 VSCode ，在这里推荐一下微软这个开源的产品，非常的轻量化，需要什么插件自己安装就好，不用的插件一律不要，自主性非常高，如果感觉搞不定的朋友可以选择 JetBrains 提供的 Pycharm ，分为社区版和付费版，一般而言，我们使用社区版足矣。

笔者这里直接新建了一个文件夹，创建了一个名为 `spider-demo.py` 的文件，这个就是我们一会要写的爬虫的文件了，可以给大家看下笔者的开发环境，如下：

![format_png 1][]

这其实是一个调试成功的截图，从下面打印的日志中可以看到，笔者这里抓取了三个平台的数据。

## 4. 数据库 ##

笔者使用的数据是 Mysql 5.7.19 版本，数据库的字符集是使用的 utf8mb4 ，至于为什么使用 utf8mb4 而不是 utf8 ，各位百度一下吧，很多人讲的都比我讲的好，我简单说一句就是 Mysql 的 utf8 其实是一个假的 utf8 ，而后面增加的字符集 utf8mb4 才是真正的 utf8 。

而 Python 连接 Mysql 也是需要驱动的，和在 Java 中连接数据库需要驱动一样，这里使用的是 pymysql ，安装命令：

pip install pymysql
    复制代码

有没有感觉很简单， pip 是 Python 的一个包管理工具，我的个人理解是类似于一个 Maven 的东西，所有的我们需要的第三方的包都能在这个上面下载到。

当然，这里可能会出现 `timeout` 的情况，视大家的网络情况而定，我在晚上执行这个命令的时候真的是各种 `timeout` ，当然 Maven 会有国内的镜像战， pip 显然肯定也会有么，这里都列给大家：

*  阿里云 [mirrors.aliyun.com/pypi/simple…][mirrors.aliyun.com_pypi_simple]
 *  中国科技大学 [pypi.mirrors.ustc.edu.cn/simple/][pypi.mirrors.ustc.edu.cn_simple]
 *  豆瓣(douban) [pypi.douban.com/simple/][pypi.douban.com_simple]
 *  清华大学 [pypi.tuna.tsinghua.edu.cn/simple/][pypi.tuna.tsinghua.edu.cn_simple]
 *  中国科学技术大学 [pypi.mirrors.ustc.edu.cn/simple/][pypi.mirrors.ustc.edu.cn_simple 1]

具体使用方式命令如下：

pip install -i https://mirrors.aliyun.com/pypi/simple/ 库名
    复制代码

笔者这里仅仅尝试过阿里云和清华大学的镜像站，其余未做尝试，以上内容来自于网络。

表结构，设计如下图，这里设计很粗糙的，简简单单的只做了一张表，多余话我也不说，大家看图吧，字段后面都有注释了：

![format_png 2][]

建表语句提交至 Github 仓库，有需要的同学可以去查看。

## 5. 实战 ##

整体思路分以下这么几步：

1.  通过 GET 请求将整个页面的 HTML 静态资源请求回来
2.  通过一些匹配规则匹配到我们需要的数据
3.  存入数据库

### 5.1 请求 HTML 静态资源 ###

Python3 为我们提供了 urllib 这个标准库，无需我们额外的安装，使用的时候需要先引入：

from urllib import request
    复制代码

接下来我们使用 urllib 发送 GET 请求，如下：

req_csdn = request.Request('https://blog.csdn.net/meteor_93')
    req_csdn.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36')
    html_csdn = request.urlopen(req_csdn).read().decode('utf-8')
    复制代码

> User Agent中文名为用户代理，简称 UA，它是一个特殊字符串头，使得服务器能够识别客户使用的操作系统及版本、CPU 类型、浏览器及版本、浏览器渲染引擎、浏览器语言、浏览器插件等。

这里在请求头中添加这个是为了模拟浏览器正常请求，很多服务器都会做检测，发现不是正常浏览器的请求会直接拒绝，虽然后面实测笔者爬取的这几个平台都没有这项检测，但是能加就加一下么，当然真实的浏览器发送的请求头里面不仅仅只有一个 UA ，还会有一些其他的信息，如下图：  
![format_png 3][]

笔者这里的 UA 信息是直接从这里 Copy 出来的。代码写到这里，我们已经拿到了页面静态资源 `html_csdn` ，接下来我们就是要解析这个资源，从中匹配出来我们需要的信息。

### 5.2 xpath 数据匹配 ###

xpath 是什么？

> XPath 是一门在 XML 文档中查找信息的语言。XPath 可用来在 XML 文档中对元素和属性进行遍历。 XPath 是 W3C XSLT 标准的主要元素，并且 XQuery 和 XPointer 都构建于 XPath 表达之上。

从上面这句话我们可以看出来， xpath 是用来查找 XML ，而我们的 HTML 可以认为是语法不标准的 XML 文档，恰巧我们可以通过这种方式来解析 HTML 文档。

我们在使用 xpath 之前，需要先安装 xpath 的依赖库，这个库并不是 Python 提供的标准库，安装语句如下：

pip install lxml
    复制代码

如果网络不给力的同学可以使用上面的镜像站进行安装。

而 xpath 的表达式非常简单，具体的语法大家可以参考 W3school 提供的教程（[www.w3school.com.cn/xpath/xpath…][www.w3school.com.cn_xpath_xpath] ），笔者这里不多介绍，具体使用方式如下：

read_num_csdn = etree.HTML(html_csdn).xpath('//*[@id="asideProfile"]/div[3]/dl[2]/dd/@title')[0]
    fans_num_csdn = etree.HTML(html_csdn).xpath('//*[@id="fan"]/text()')[0]
    rank_num_csdn = etree.HTML(html_csdn).xpath('//*[@id="asideProfile"]/div[3]/dl[4]/@title')[0]
    like_num_csdn = etree.HTML(html_csdn).xpath('//*[@id="asideProfile"]/div[2]/dl[3]/dd/span/text()')[0]
    复制代码

这里笔者主要获取了总阅读数、总粉丝数、排名和总点赞数。

这里列举几个最基础的使用，这几个使用在本示例中已经完全够用：

<table> 
 <thead> 
  <tr> 
   <th>表达式</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td><code>nodename</code></td> 
   <td>选取此节点的所有子节点。</td> 
  </tr> 
  <tr> 
   <td><code>/</code></td> 
   <td>从根节点选取。</td> 
  </tr> 
  <tr> 
   <td><code>//</code></td> 
   <td>从匹配选择的当前节点选择文档中的节点，而不考虑它们的位置。</td> 
  </tr> 
  <tr> 
   <td><code>.</code></td> 
   <td>选取当前节点。</td> 
  </tr> 
  <tr> 
   <td><code>..</code></td> 
   <td>选取当前节点的父节点。</td> 
  </tr> 
  <tr> 
   <td><code>@</code></td> 
   <td>选取属性。</td> 
  </tr> 
  <tr> 
   <td><code>text</code></td> 
   <td>选取当前节点内容。</td> 
  </tr> 
 </tbody> 
</table>

还有一种简单的方式，我们可以通过 Chrome 浏览器获取 xpath 表达式，具体操作见截图：

![format_png 4][]

打开 F12 ，鼠标右键需要生成 xpath 表达式的内容，点击 Copy -> Copy XPath 即可。

这里有一点需要注意，我们直接通过 xpath 取出来的数据数据类型并不是基础数据类型，如果要做运算或者字符串拼接，需要做类型强转，否则会报错，如下：

req_cnblog = request.Request('https://www.cnblogs.com/babycomeon/default.html?page=2')
    req_cnblog.add_header('User-Agent', 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/77.0.3865.90 Safari/537.36')
    html_cnblog = request.urlopen(req_cnblog).read().decode('utf-8')
    
    max_page_num = etree.HTML(html_cnblog).xpath('//*[@id="homepage_top_pager"]/div/text()')
    
    # 最大页数
    max_page_num = re.findall(r"\d+\.?\d*", str(max_page_num))[0]
    复制代码

这里需要获取 cnblog 的博客最大页数，首先取到了 `max_page_num` ，这里直接做 `print` 的话是可以正常打印一个字符串出来的，但是如果直接去做正则匹配，就会类型错误。

### 5.3 写入数据库 ###

数据库的操作我就不多做介绍了，有写过 Java 的同学应该都很清楚 jdbc 是怎么写的，先使用 ip 、 port 、 用户名、密码、数据库名称、字符集等信息获取连接，然后开启连接，写一句 sql ，把 sql 拼好，执行 sql ，然后提交数据，然后关闭连接，代码如下：

def connect():
        conn = pymysql.connect(host='localhost',
                               port=3306,
                               user='root',
                               password='123456',
                               database='test',
                               charset='utf8mb4')
    
        # 获取操作游标
        cursor = conn.cursor()
        return {"conn": conn, "cursor": cursor}
    
    connection = connect()
    conn, cursor = connection['conn'], connection['cursor']
    
    sql_insert = "insert into spider_data(id, plantform, read_num, fans_num, rank_num, like_num, create_date) values (UUID(), %(plantform)s, %(read_num)s, %(fans_num)s, %(rank_num)s, %(like_num)s, now())"
    
    复制代码

在本示例中，爬虫只负责一个数据爬取工作，所以只需要一句 insert 语句就够了，然后在每个平台爬取完成后，将这句 sql 中的占位符替换掉，执行 sql 后 commit 操作即可，示例代码如下：

csdn_data = {
        "plantform": 'csdn',
        "read_num": read_num_csdn,
        "fans_num": fans_num_csdn,
        "rank_num": rank_num_csdn,
        "like_num": like_num_csdn
    }
    
    cursor.execute(sql_insert, csdn_data)
    conn.commit()
    复制代码

## 6. 小结 ##

经过这么一次 Python 爬虫的实际体验后，确实感觉使用 Python 写程序语法非常的简单，整体程序使用 130+ 行，大致估算一下，如果使用 Java 书写同样的功能，可能会需要 200+ 行，使用 httpClient 发送 GET 请求再解析响应就不是这么 Python 这种简简单单的 2~3 行代码搞的定的。本示例的爬虫其实还非常的不完善，目前只能爬取不需要登录的平台的数据，有的平台需要登录后才能看到统计数据，这就要和 Cookies 相结合才能完成模拟登陆的过程。后续有空我会接着完善这只小爬虫的。

最后注意：不管你是为了Python就业还是兴趣爱好，记住：项目开发经验永远是核心，如果你缺新项目练习或者没有python精讲教程，可以去小编的Python交流.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，里面很多新python教程项目，还可以跟老司机交流讨教！

*本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。*

[format_png]: /images/20230528/038675aaa54d43b1964bb0e8263e5e0a.png
[format_png 1]: /images/20230528/2a7d7ce4b30c424ab4ca05393c4ec52b.png
[mirrors.aliyun.com_pypi_simple]: https://mirrors.aliyun.com/pypi/simple/
[pypi.mirrors.ustc.edu.cn_simple]: https://pypi.mirrors.ustc.edu.cn/simple/
[pypi.douban.com_simple]: https://pypi.douban.com/simple/
[pypi.tuna.tsinghua.edu.cn_simple]: https://pypi.tuna.tsinghua.edu.cn/simple/
[pypi.mirrors.ustc.edu.cn_simple 1]: http://pypi.mirrors.ustc.edu.cn/simple/
[format_png 2]: /images/20230528/ed354021b671444ea74e570c7cde2241.png
[format_png 3]: /images/20230528/7e74481ef4d44f2eba2e50cf5a79f3cc.png
[www.w3school.com.cn_xpath_xpath]: https://www.w3school.com.cn/xpath/xpath_syntax.asp
[format_png 4]: /images/20230528/8ffdb366d15842039b85bc47cf75e44e.png