0


Python 爬虫入门教程:从零构建你的第一个网络爬虫

网络爬虫是一种自动化程序,用于从网站抓取数据。Python 凭借其丰富的库和简单的语法,是构建网络爬虫的理想语言。本文将带你从零开始学习 Python 爬虫的基本知识,并实现一个简单的爬虫项目。


1. 什么是网络爬虫?

网络爬虫(Web Crawler)是一种通过网络协议(如 HTTP/HTTPS)获取网页内容,并提取其中有用信息的程序。常见的爬虫用途包括:

  • 收集商品价格和评价。
  • 抓取新闻或博客内容。
  • 统计数据分析。
爬虫工作原理
  1. 发送 HTTP 请求到目标网站。
  2. 获取服务器返回的 HTML 页面。
  3. 解析 HTML 内容,提取所需数据。
  4. 保存数据以供后续使用。

2. 爬虫的基本工具

在 Python 中,我们可以使用以下工具和库来构建爬虫:

2.1 requests
requests

是一个强大的 HTTP 库,用于发送网络请求,获取网页内容。

安装:

pip install requests

示例:

import requests 
url = "https://example.com" 
response = requests.get(url) 
print(response.text) # 打印网页内容
2.2 BeautifulSoup
BeautifulSoup

是一个解析 HTML 和 XML 的库,用于从网页中提取数据。

安装:

pip install beautifulsoup4

示例:

from bs4 import BeautifulSoup

html = "<html><body><h1>Hello, World!</h1></body></html>"
soup = BeautifulSoup(html, "html.parser")
print(soup.h1.text)  # 输出 "Hello, World!"
2.3 pandas
pandas

是一个用于数据处理和分析的库,适合将爬取的数据保存到 CSV 或 Excel。

安装:

pip install pandas

示例:

import pandas as pd

data = {"Title": ["Example"], "Link": ["https://example.com"]}
df = pd.DataFrame(data)
df.to_csv("output.csv", index=False)

3. 爬虫案例:抓取豆瓣电影排行榜

下面我们将构建一个爬虫,从豆瓣电影的网页抓取电影排行榜。

3.1 准备工作

目标网址: https://movie.douban.com/top250

我们将抓取以下信息:

  • 电影名称
  • 评分
  • 引言
3.2 代码实现
import requests
from bs4 import BeautifulSoup
import pandas as pd

# 爬取一个页面的数据
def scrape_page(url):
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.45 Safari/537.36"}
    response = requests.get(url, headers=headers)
    soup = BeautifulSoup(response.text, "html.parser")
    
    movies = []
    for item in soup.find_all("div", class_="item"):
        title = item.find("span", class_="title").text
        rating = item.find("span", class_="rating_num").text
        quote = item.find("span", class_="inq").text if item.find("span", class_="inq") else "N/A"
        movies.append({"Title": title, "Rating": rating, "Quote": quote})
    
    return movies

# 主程序:爬取多页
def main():
    base_url = "https://movie.douban.com/top250?start={}"
    all_movies = []
    
    for i in range(0, 250, 25):  # 每页 25 部电影
        url = base_url.format(i)
        print(f"Scraping: {url}")
        movies = scrape_page(url)
        all_movies.extend(movies)
    
    # 保存为 CSV 文件
    df = pd.DataFrame(all_movies)
    df.to_csv("douban_top250.csv", index=False)
    print("Scraping complete! Data saved to douban_top250.csv")

if __name__ == "__main__":
    main()
3.3 代码解析
  1. 设置请求头: 模拟浏览器访问,避免被反爬机制屏蔽。
  2. BeautifulSoup 提取内容: 使用 findfind_all 定位 HTML 标签,提取标题、评分和引言。
  3. 循环抓取多页: 构造分页 URL,逐页爬取。
  4. 保存为 CSV: 使用 pandas 将数据存储为 CSV 文件。

4. 运行与结果

运行程序后,将生成

douban_top250.csv

文件,内容如下:


5. 注意事项

5.1 遵守爬虫的礼仪
  1. 合理设置延迟: 在抓取页面时加入适当的延时,避免对服务器造成压力。
  2. 检查 robots.txt 访问目标网站的 https://example.com/robots.txt 查看允许抓取的内容。
  3. 请求头伪装: 使用 User-Agent 模拟浏览器访问。
5.2 反爬机制应对

如果遇到反爬机制,可以尝试:

  • 使用代理 IP。
  • 处理动态内容(如 JavaScript 加载的页面)。
  • 使用更高级的库如 seleniumPlaywright

6. 总结与扩展

通过本文,我们学习了使用 Python 构建基本爬虫的流程,并完成了一个抓取豆瓣电影 Top250 的项目。你可以将爬虫技术扩展到更复杂的应用场景,比如:

  • 动态加载数据的网站(如使用 seleniumrequests-html)。
  • 数据清洗与可视化(结合 pandasmatplotlib)。
  • 大规模爬取(结合分布式爬虫框架如 Scrapy)。

在实际应用中,记得遵守法律法规和网站的爬虫协议,合理使用网络爬虫技术!


本文转载自: https://blog.csdn.net/m0_66323401/article/details/144301257
版权归原作者 m0_66323401 所有, 如有侵权,请联系我们删除。

“Python 爬虫入门教程:从零构建你的第一个网络爬虫”的评论:

还没有评论