当前位置：首页 > article >正文

Python网络爬虫基础

article 2024/11/26 13:20:21

Python网络爬虫是一种自动化工具，用于从互联网上抓取信息。它通过模拟人类浏览网页的行为，自动地访问网站并提取所需的数据。网络爬虫在数据挖掘、搜索引擎优化、市场研究等多个领域都有广泛的应用。以下是Python网络爬虫的一些基本概念：

1. 发送请求 (Request)

使用 `requests` 库

requests 是一个非常流行的 HTTP 客户端库，使用简单且功能强大。

import requests

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

设置请求头 (Headers)

为了模拟浏览器行为，通常需要设置 User-Agent 和其他请求头。

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)

2. 处理响应 (Response)

状态码 (Status Code)

检查响应的状态码以确保请求成功。

if response.status_code == 200:
    print('请求成功')
else:
    print(f'请求失败，状态码: {response.status_code}')

获取内容 (Content)

可以从响应对象中获取文本内容、二进制内容等。

html_content = response.text  # 获取文本内容
binary_content = response.content  # 获取二进制内容

3. 解析 HTML (Parsing)

使用 `BeautifulSoup`

BeautifulSoup 是一个强大的 HTML 解析库，可以方便地从 HTML 中提取数据。

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_content, 'html.parser')
title = soup.title.string  # 获取标题
print(title)

使用 `lxml`

lxml 是另一个高效的 XML 和 HTML 解析库，支持 XPath 表达式。

from lxml import etree

html = etree.HTML(html_content)
title = html.xpath('//title/text()')[0]  # 使用 XPath 获取标题
print(title)

4. 数据存储 (Storage)

写入文件

将提取的数据写入文件，例如 CSV 文件。

import csv

data = [
    ['Name', 'Age'],
    ['Alice', 30],
    ['Bob', 25]
]

with open('data.csv', 'w', newline='', encoding='utf-8') as file:
    writer = csv.writer(file)
    writer.writerows(data)

存储到数据库

将数据存储到关系型数据库（如 MySQL）或 NoSQL 数据库（如 MongoDB）。

import sqlite3

# 连接到 SQLite 数据库
conn = sqlite3.connect('example.db')
cursor = conn.cursor()

# 创建表
cursor.execute('''CREATE TABLE IF NOT EXISTS users (name TEXT, age INTEGER)''')

# 插入数据
cursor.execute("INSERT INTO users (name, age) VALUES (?, ?)", ('Alice', 30))
cursor.execute("INSERT INTO users (name, age) VALUES (?, ?)", ('Bob', 25))

# 提交事务
conn.commit()

# 关闭连接
conn.close()

5. 用户代理 (User-Agent)

设置 User-Agent 可以模拟不同浏览器的行为，避免被网站识别为爬虫。

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)

6. 遵守 Robots 协议

检查网站的 robots.txt 文件，确保爬虫行为符合网站的规定。

import requests

url = 'https://example.com/robots.txt'
response = requests.get(url)
print(response.text)

7. 异常处理 (Error Handling)

处理网络请求中的各种异常，确保爬虫的稳定性。

try:
    response = requests.get(url, timeout=10)
    response.raise_for_status()  # 如果响应状态码不是 200，抛出异常
except requests.exceptions.RequestException as e:
    print(f'请求失败: {e}')

8. 反爬策略

设置请求间隔

避免频繁请求导致被封禁。

import time

for i in range(10):
    response = requests.get(url, headers=headers)
    # 处理响应
    time.sleep(1)  # 每次请求间隔 1 秒

使用代理 IP

使用代理 IP 可以绕过 IP 封禁。

proxies = {
    'http': 'http://123.45.67.89:8080',
    'https': 'https://123.45.67.89:8080'
}
response = requests.get(url, headers=headers, proxies=proxies)