Python网络爬虫：从入门到实战
Python以其简洁易用和强大的库支持成为网络爬虫开发的首选语言。本文将系统介绍Python网络爬虫的开发方法，包括基础知识、常用工具以及实战案例，帮助读者从入门到精通。
什么是网络爬虫？
网络爬虫（Web Crawler）是一种自动化程序，用于抓取网页内容。爬虫通过模拟浏览器行为访问网站，将所需的数据提取出来并保存，广泛应用于数据分析、搜索引擎和机器学习等领域。
开发网络爬虫的基本步骤
- 明确目标：确定需要抓取的数据和目标网站。
- 分析网站：通过浏览器开发者工具分析网页结构，确定数据所在的HTML标签和属性。
- 发送请求：使用HTTP库发送请求获取网页内容。
- 解析数据：使用解析库提取目标数据。
- 保存数据：将数据存储到文件或数据库中。
常用工具和库
1. requests
requests是一个简单且功能强大的HTTP请求库，用于发送GET和POST请求。
安装方法：
pip install requests
示例代码：
import requests
url = "https://example.com"
response = requests.get(url)
if response.status_code == 200:
print(response.text)
2. BeautifulSoup
BeautifulSoup是一个HTML和XML解析库，适合从网页中提取特定数据。
安装方法：
pip install beautifulsoup4
示例代码：
from bs4 import BeautifulSoup
html = "<html><body><h1>Hello, world!</h1></body></html>"
soup = BeautifulSoup(html, 'html.parser')
print(soup.h1.text)
3. lxml
lxml是一个快速高效的HTML/XML解析库，支持XPath语法。
安装方法：
pip install lxml
示例代码：
from lxml import etree
html = "<html><body><h1>Hello, world!</h1></body></html>"
tree = etree.HTML(html)
print(tree.xpath('//h1/text()'))
4. Scrapy
Scrapy是一个功能强大的爬虫框架，适合开发复杂的爬虫项目。
安装方法：
pip install scrapy
示例代码：
scrapy startproject myproject
实战案例：爬取豆瓣电影 Top250
1. 分析目标
目标是抓取豆瓣电影 Top250 的电影名称、评分和评论人数。
目标网址：https://movie.douban.com/top250
2. 创建爬虫脚本
完整代码：
import requests
from bs4 import BeautifulSoup
import csv
def fetch_page(url):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
response = requests.get(url, headers=headers)
return response.text
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
rating = item.find('span', class_='rating_num').text
comments = item.find('div', class_='star').find_all('span')[-1].text
movies.append([title, rating, comments])
return movies
def save_to_csv(data, filename='movies.csv'):
with open(filename, 'w', newline='', encoding='utf-8') as file:
writer = csv.writer(file)
writer.writerow(['Title', 'Rating', 'Comments'])
writer.writerows(data)
def main():
base_url = "https://movie.douban.com/top250?start={}"
all_movies = []
for start in range(0, 250, 25):
url = base_url.format(start)
html = fetch_page(url)
movies = parse_page(html)
all_movies.extend(movies)
save_to_csv(all_movies)
if __name__ == '__main__':
main()
3. 运行代码
运行脚本后会生成一个movies.csv文件，包含抓取的电影信息。
注意事项
1. 反爬措施
许多网站会部署反爬虫机制。以下是常见应对方法：
- 模拟浏览器行为：添加请求头，设置
User-Agent。 - 延时访问：使用
time.sleep避免过于频繁的请求。 - 代理IP：使用代理池避免IP被封。
示例：设置请求头和延时访问
import time
headers = {
'User-Agent': 'Mozilla/5.0'
}
response = requests.get(url, headers=headers)
time.sleep(1) # 每次请求间隔1秒
2. 法律和道德
在抓取数据前，请确保：
- 遵守目标网站的
robots.txt规则。 - 数据用于合法目的，不违反隐私和版权法规。
进阶：爬取动态内容
对于使用JavaScript渲染的网页，常规爬虫可能无法获取完整数据。这时可以使用以下工具：
1. selenium
selenium用于模拟真实浏览器行为，适合抓取动态加载的内容。
安装方法：
pip install selenium
示例代码：
from selenium import webdriver
options = webdriver.ChromeOptions()
options.add_argument('--headless')
driver = webdriver.Chrome(options=options)
driver.get('https://example.com')
print(driver.page_source)
driver.quit()
2. Playwright
Playwright是一个现代浏览器自动化工具，支持多种语言。
安装方法：
pip install playwright
playwright install
示例代码：
from playwright.sync_api import sync_playwright
with sync_playwright() as p:
browser = p.chromium.launch(headless=True)
page = browser.new_page()
page.goto('https://example.com')
print(page.content())
browser.close()
总结
本文详细介绍了Python网络爬虫的开发流程，从基础工具到实战案例，再到应对动态内容的高级方法。通过学习这些内容，你可以掌握开发高效爬虫的技能，并运用到实际项目中。