当前位置：首页 > article >正文

深入浅出 Python 网络爬虫：从零开始构建你的数据采集工具

article 2024/11/30 17:50:29

在大数据时代，网络爬虫作为一种数据采集技术，已经成为开发者和数据分析师不可或缺的工具。Python 凭借其强大的生态和简单易用的语言特点，在爬虫领域大放异彩。本文将带你从零开始，逐步构建一个 Python 网络爬虫，解决实际问题。

一、网络爬虫是什么？

网络爬虫（Web Crawler）是一种自动化程序，用于抓取网页数据。其工作流程通常分为以下几个步骤：

发送请求：向目标网站发送 HTTP 请求，获取网页内容。
解析内容：提取网页中有用的数据，比如文本、图片、链接等。
存储数据：将解析后的数据保存到文件或数据库中。

网络爬虫应用广泛，例如价格监控、新闻聚合、学术资料抓取等。

二、爬虫开发的基本工具

在 Python 中，我们可以借助以下库来快速开发爬虫：

Requests：用于发送 HTTP 请求，处理网页内容。
BeautifulSoup：用于解析 HTML 和 XML，提取网页数据。
Scrapy：一个功能强大的爬虫框架，适合复杂的爬取任务。
Selenium：适合动态网页抓取，能够模拟浏览器操作。

三、从零开始：构建一个简单爬虫

1. 环境准备

确保安装以下 Python 库：

pip install requests beautifulsoup4

2. 目标：爬取豆瓣电影 Top 250

代码实现

import requests
from bs4 import BeautifulSoup
import csv

# Step 1: 定义目标 URL
BASE_URL = "https://movie.douban.com/top250"

# Step 2: 获取网页内容
def fetch_page(url):
    headers = {
        "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/110.0.0.0 Safari/537.36"
    }
    response = requests.get(url, headers=headers)
    response.raise_for_status()  # 如果请求失败，则抛出 HTTPError
    return response.text

# Step 3: 解析网页内容
def parse_page(html):
    soup = BeautifulSoup(html, "html.parser")
    movies = []
    for item in soup.find_all("div", class_="item"):
        title = item.find("span", class_="title").text.strip()
        rating = item.find("span", class_="rating_num").text.strip()
        info = item.find("p", class_="").text.strip()
        movies.append((title, rating, info))
    return movies

# Step 4: 保存数据
def save_to_csv(data, filename="movies.csv"):
    with open(filename, mode="w", newline="", encoding="utf-8") as file:
        writer = csv.writer(file)
        writer.writerow(["Title", "Rating", "Info"])
        writer.writerows(data)
    print(f"Data saved to {filename}.")

# 主程序
def main():
    all_movies = []
    for start in range(0, 250, 25):
        url = f"{BASE_URL}?start={start}"
        print(f"Fetching {url}...")
        html = fetch_page(url)
        movies = parse_page(html)
        all_movies.extend(movies)
    save_to_csv(all_movies)

if __name__ == "__main__":
    main()

运行结果

运行代码后，程序会将豆瓣电影 Top 250 的数据保存到 movies.csv 文件中，包含电影名称、评分和简介。

四、进阶爬虫技术

处理反爬
- User-Agent 伪装：通过设置请求头中的 User-Agent 模拟不同的浏览器访问。
- IP 代理池：使用代理 IP 轮换，避免因频繁访问被封禁。
- 验证码破解：结合图像识别技术（如 OCR），自动处理验证码。
抓取动态网页
对于使用 JavaScript 渲染的页面，可以使用 Selenium 或 Playwright 模拟浏览器操作。
大规模数据爬取
使用分布式爬虫框架（如 Scrapy 和 PySpider）提升效率。