当前位置：首页 > article >正文

爬虫入门re+bs4

article 2025/3/29 1:28:43

前言

1. 导入必要的库

2. 定义获取网页HTML内容的函数 get_html

3. 定义获取数据的函数 get_data

4. 定义获取文章正文内容的函数 content_text

5. 定义获取单条课程数据的函数 get_one_course_data

6. 定义保存数据的函数 `save_data`

7. 定义文件名合法化处理函数 `sanitize_filename`

8. 主程序

前言

在信息爆炸的时代，互联网已成为数据获取的核心渠道。从学术研究到商业分析，从新闻监控到用户行为洞察，数据的价值日益凸显。而网络爬虫（Web Crawler）作为自动化获取网络数据的核心技术，正扮演着越来越重要的角色。本案例将通过一个完整的 Python 爬虫案例，构建高效、可靠的爬虫系统，实现对中文日报网站内容的自动化抓取与结构化存储。

说明

遵守法律法规：确保爬取的内容符合目标网站的 robots 协议，避免侵犯他人知识产权。

合理控制请求频率：通过time.sleep()等机制降低对目标服务器的压力，防止 IP 被封禁。

动态调整策略：网页结构可能变化，需根据实际情况修改解析逻辑（如 CSS 选择器）。

实战导向：以中国日报（China Daily）真实网页为目标，演示从页面解析到数据存储的全流程，代码可直接复用于类似网站。

技术覆盖：涵盖 HTTP 请求、HTML 解析、反爬策略、数据清洗、文件存储等核心技术，结合requests、BeautifulSoup、pandas等主流库，提升代码实战能力。

模块化设计：通过函数封装实现功能解耦，降低代码复杂度，便于后续扩展与维护。

反爬与稳定性：包含请求头伪装、异常处理、延时机制等策略，减少被目标网站封禁的风险。

掌握 Python 爬虫的基本架构与工作流程；

学会使用BeautifulSoup解析复杂 HTML 结构；

理解并处理网页反爬机制（如请求头伪装、延时控制）；

实现数据的清洗、存储与持久化（CSV 文件）；

了解图片下载与文件名合法化处理技巧。

适用场景

本案例适合以下读者：

对 Python 爬虫感兴趣的初学者；

需要批量获取公开网络数据的开发者；

希望了解新闻聚合、舆情监控等应用的从业者。

代码亮点

智能编码处理：使用chardet自动检测网页编码，避免乱码问题；

结构化数据存储：通过pandas将数据保存为 CSV 文件，便于后续分析；

图片本地化存储：自动下载文章配图并命名，支持特殊字符过滤；

分页爬取支持：自动识别 “下一页” 链接，实现无限翻页抓取。

后续扩展建议

添加代理池以应对反爬限制；

集成 Scrapy 框架提升爬取效率；

增加数据去重与增量更新功能；

结合 NLP 技术对新闻内容进行情感分析。

构建高效的中文日报内容抓取系统

1. 导入必要的库

import os.path
import requests
import chardet
import time
from bs4 import BeautifulSoup
import pandas as pd
import re

os.path：用于处理文件路径相关操作，例如检查文件是否存在

requests：用于发送HTTP请求，获取网页内容

chardet：用于检测网页内容的字符编码

time：用于添加延时，避免对目标网站造成过大压力

BeautifulSoup：用于解析HTML和XML文档，方便提取所需信息

pandas：用于数据处理和保存，将爬取的数据保存为CSV文件

re：用于正则表达式操作，例如文件名的合法化处理

2. 定义获取网页HTML内容的函数 get_html

def get_html(url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36 Edg/124.0.0.0'
    }
    try:
        # 发送请求
        response = requests.get(url, headers=headers)

        # 检查请求响应状态码
        response.raise_for_status()

        # 设置相应内容字符编码
        response.encoding = chardet.detect(response.content)['encoding']

        return response.text
    except Exception as e:
        print(e)
    finally:
        time.sleep(2)

功能：发送HTTP请求获取指定URL的网页内容，并处理字符编码

步骤：

1. 设置请求头 `headers`，模拟浏览器访问，避免被网站识别为爬虫

2. 使用 `requests.get` 方法发送请求

3. 使用 `raise_for_status` 方法检查响应状态码，如果状态码不是200，抛出异常

4. 使用 `chardet` 检测网页内容的字符编码，并设置响应的编码

5. 返回网页的文本内容

6. 无论请求是否成功，最后都使用 `time.sleep(2)` 暂停2秒，避免频繁请求

3. 定义获取数据的函数 get_data

def get_data(html):
    # 解析HTML文本
    bs = BeautifulSoup(html, 'lxml')

    # 查找第一个符合class_="left-liebiao"条件div的标签
    div_tag_one = bs.find('div', class_="left-liebiao")

    # 查找所有符合class_="busBox3"条件的div标签
    div_tags = div_tag_one.find_all('div', class_="busBox3")

    return [get_one_course_data(div_tag) for div_tag in div_tags]

功能：从网页HTML内容中提取所需的数据。

步骤：

1. 使用 `BeautifulSoup` 解析HTML文本

2. 查找第一个 `class` 为 `left-liebiao` 的 `div` 标签

3. 在该 `div` 标签内查找所有 `class` 为 `busBox3` 的 `div` 标签

4. 遍历这些 `div` 标签，调用 `get_one_course_data` 函数提取每条数据

4. 定义获取文章正文内容的函数 content_text

def content_text(content_url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36 Edg/124.0.0.0'
    }
    # 发送请求
    response = requests.get(content_url)

    # 检查请求响应状态码
    response.raise_for_status()

    # 设置相应内容字符编码
    response.encoding = chardet.detect(response.content)['encoding']

    html = response.text

    # 解析HTML文本
    bs = BeautifulSoup(html, 'lxml')

    # 查找所有符合id="Content"条件的div标签
    div = bs.find('div', id="Content")

    p_tags = div.find_all('p')

    # 写入文本
    texts = [texts.text for texts in p_tags]
    texts = ''.join(texts)
    return texts

功能：根据文章链接获取文章的正文内容。

步骤：

1. 设置请求头，发送HTTP请求。

2. 检查响应状态码，设置字符编码。

3. 使用 `BeautifulSoup` 解析HTML文本。

4. 查找 `id` 为 `Content` 的 `div` 标签。

5. 在该 `div` 标签内查找所有 `p` 标签。

6. 提取 `p` 标签的文本内容，并拼接成一个字符串返回。

5. 定义获取单条课程数据的函数 get_one_course_data

def get_one_course_data(div_tag):
    # 找到标题内容
    title_tag = div_tag.select_one('div > div:nth-child(2) > h3 > a')

    title = title_tag.text.strip() if title_tag is not None else None

    # 保存图片
    img_tag = div_tag.select_one('img')
    print(img_tag)
    if img_tag:
        img_url = img_tag.get('src')

        img_url = 'https:' + img_url

        img = requests.get(img_url)

        img.raise_for_status()

        img_name = sanitize_filename(title)
        print(img_name)
        file_name = f'test/{img_name}.jpg'
        with open(file_name, 'wb') as f:
            f.write(img.content)

    # 找到摘要内容
    abstract_tag = div_tag.select_one('div > div:nth-child(2) > p')

    abstract = ''.join([abstracts.strip() for abstracts in abstract_tag if isinstance(abstracts, str)])

    # 找到日期内容
    date_tag = div_tag.select_one('div > div:nth-child(2) > p > b')

    date = date_tag.text.strip() if date_tag is not None else None

    # 爬取正文内容
    content_url = 'https:' + title_tag.get('href')
    content = content_text(content_url)

    return title, abstract, date, content

功能：从单个 `div` 标签中提取标题、图片、摘要、日期和正文内容。

步骤：

1. 使用 `select_one` 方法找到标题标签，并提取标题文本

2. 找到图片标签，获取图片链接，发送请求下载图片，并保存到本地。使用 `sanitize_filename` 函数对文件名进行合法化处理

3. 找到摘要标签，提取摘要内容

4. 找到日期标签，提取日期内容

5. 构建文章链接，调用 `content_text` 函数获取文章正文内容

6. 返回标题、摘要、日期和正文内容

6. 定义保存数据的函数 `save_data`

def save_data(data, file_name):
    df = pd.DataFrame(data, columns=['标题', '摘要', '日期', '详情(新闻内容)'])
    if not os.path.exists(file_name):
        df.to_csv(file_name,
                  encoding='utf-8-sig',  # 编码为utf-8-sig
                  header=True,  # 添加列名
                  index=False)  # 不添加行索引
    else:
        df.to_csv(file_name,
                  encoding='utf-8-sig',  # 编码为utf-8-sig
                  header=False,  # 不加列名
                  index=False,  # 不添加行索引
                  mode='a')  # 追加数据
    return

功能：将爬取的数据保存为CSV文件。

步骤：

1. 使用 `pandas` 的 `DataFrame` 方法将数据转换为数据框

2. 检查文件是否存在，如果不存在，则创建文件并添加列名；如果存在，则追加数据，不添加列名

7. 定义文件名合法化处理函数 `sanitize_filename`

def sanitize_filename(filename):
    # 定义正则表达式，匹配所有不合法的字符
    pattern = r'[\\*?:"<>|【】]'
    # 将不合法的字符替换为下划线
    return re.sub(pattern, '_', filename)

功能：将文件名中的不合法字符替换为下划线，避免保存文件时出现错误

8. 主程序

if __name__ == '__main__':
    # 爬取地址
    url = f'https://china.chinadaily.com.cn/5bd5639ca3101a87ca8ff636/page_39.html'  # 如果改成其它的url，可能有反爬策略和不同的内容定位策略+翻页规则

    while url:
        # 获取网页文本内容
        html = get_html(url)
        if not html:
            break

        # 获取关键信息
        data = get_data(html)

        # 写入文件
        file_name = '中文日报.csv'
        save_data(data, file_name)

        # 解析HTML文本，查找下一页链接
        bs = BeautifulSoup(html, 'lxml')
        next_page_tag = bs.find('a', text='下一页')
        if next_page_tag:
            url = 'https:' + next_page_tag.get('href')
        else:
            url = None

功能：从指定URL开始爬取数据，直到没有下一页为止。

步骤：

1. 定义初始爬取URL

2. 使用 `while` 循环，只要 `url` 不为空，就继续爬取

3. 调用 `get_html` 函数获取网页HTML内容

4. 调用 `get_data` 函数提取关键信息

5. 调用 `save_data` 函数将数据保存到CSV文件

6. 解析HTML文本，查找下一页链接。如果找到，则更新 `url`；否则，将 `url` 置为 `None`，结束循环

运行效果：

保存的图片如果没有明确指定文件路径则默认到当前工作目录下，保存的图片：

这个爬虫代码的案例主要功能是从指定的网页开始，爬取新闻标题、摘要、日期、正文内容和图片，并将数据保存为CSV文件。代码通过定义多个函数，将不同的功能模块化，提高了代码的可读性和可维护性。通过添加了异常处理和延时机制，避免对目标网站造成过大压力。完整代码：

import os.path
import requests
import chardet
import time
from bs4 import BeautifulSoup
import pandas as pd
import re

def get_html(url):
    headers = {
        'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36 Edg/124.0.0.0'
    }
    try:
        # 发送请求
        response = requests.get(url,headers=headers)

        # 检查请求响应状态码
        response.raise_for_status()

        # 设置相应内容字符编码
        response.encoding = chardet.detect(response.content)['encoding']

        return response.text
    except Exception as e:
        print(e)
    finally:
        time.sleep(2)

def get_data(html):
    # 解析HTML文本
    bs = BeautifulSoup(html,'lxml')

    # 查找第一个符合class_="left-liebiao"条件div的标签
    div_tag_one = bs.find('div',class_="left-liebiao")

    # 查找所有符合class_="busBox3"条件的div标签
    div_tags = div_tag_one.find_all('div',class_="busBox3")

    return [get_one_course_data(div_tag) for div_tag in div_tags]

def content_text(content_url):
    headers = {
        'User-Agent' : 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36 Edg/124.0.0.0'
    }
    # 发送请求
    response = requests.get(content_url)

    # 检查请求响应状态码
    response.raise_for_status()

    # 设置相应内容字符编码
    response.encoding = chardet.detect(response.content)['encoding']

    html = response.text

    # 解析HTML文本
    bs = BeautifulSoup(html, 'lxml')

    # 查找所有符合id="Content"条件的div标签
    div = bs.find('div', id="Content")

    p_tags = div.find_all('p')

    # 写入文本
    texts = [texts.text for texts in p_tags]
    texts = ''.join(texts)
    return texts

def get_one_course_data(div_tag):
    # 找到标题内容
    title_tag = div_tag.select_one('div > div:nth-child(2) > h3 > a')

    title = title_tag.text.strip() if title_tag is not None else None

    # 保存图片
    img_tag = div_tag.select_one('img')
    print(img_tag)
    if img_tag:
        img_url = img_tag.get('src')

        img_url = 'https:' + img_url

        img = requests.get(img_url)

        img.raise_for_status()


        img_name = sanitize_filename(title)
        print(img_name)
        file_name = f'test/{img_name}.jpg'
        with open(file_name, 'wb') as f:
            f.write(img.content)

    # 找到摘要内容
    abstract_tag = div_tag.select_one('div > div:nth-child(2) > p')

    abstract = ''.join([abstracts.strip() for abstracts in abstract_tag if isinstance(abstracts, str)])

    # 找到日期内容
    date_tag = div_tag.select_one('div > div:nth-child(2) > p > b')

    date = date_tag.text.strip() if date_tag is not None else None

    # 爬取正文内容
    content_url = 'https:' + title_tag.get('href')
    content = content_text(content_url)

    return title,abstract,date,content

def save_data(data,file_name):
    df = pd.DataFrame(data,columns=['标题','摘要','日期','详情(新闻内容)'])
    if not os.path.exists(file_name):
        df.to_csv(file_name,
                  encoding='utf-8-sig',  # 编码为utf-8-sig
                  header=True,  # 添加列名
                  index=False)  # 不添加行索引
    else:
        df.to_csv(file_name,
                  encoding='utf-8-sig',  # 编码为utf-8-sig
                  header=False,  # 不加列名
                  index=False,  # 不添加行索引
                  mode='a')  # 追加数据
    return

def sanitize_filename(filename):
    # 定义正则表达式，匹配所有不合法的字符
    pattern = r'[\\*?:"<>|【】]'
    # 将不合法的字符替换为下划线
    return re.sub(pattern, '_', filename)

if __name__=='__main__':
    # 爬取地址
    url = f'https://china.chinadaily.com.cn/5bd5639ca3101a87ca8ff636/page_39.html' # 如果改成其它的url，可能有反爬策略和不同的内容定位策略+翻页规则

    while url:
        # 获取网页文本内容
        html = get_html(url)
        if not html:
            break

        # 获取关键信息
        data = get_data(html)

        # 写入文件
        file_name = '中文日报.csv'
        save_data(data, file_name)

        # 解析HTML文本，查找下一页链接
        bs = BeautifulSoup(html,'lxml')
        next_page_tag = bs.find('a',text='下一页')
        if next_page_tag:
            url = 'https:' + next_page_tag.get('href')
        else:
            url = None