当前位置：首页 > article >正文

文章三：Python网络编程实战：爬虫技术入门与实践

article 2024/12/24 21:36:57

一、简介

本篇文章将通过介绍Python爬虫技术，帮助读者理解网络数据抓取的基本原理和方法。我们将分为以下几个部分来展开本文的内容：

爬虫技术基础概念
请求与响应
HTML解析与数据提取
实战：爬取简书网站首页文章信息
存储数据
测试与优化
总结及拓展

二、爬虫技术基础概念

爬虫：自动获取网络数据的程序。
Web页面结构：HTML、CSS、JavaScript等。
HTTP请求：客户端向服务器请求数据的方式。
HTTP响应：服务器返回给客户端的数据。

三、请求与响应

使用Python的requests库发送HTTP请求。

import requests

url = "https://www.example.com"
response = requests.get(url)

获取响应内容
```
html_content = response.text
```

四、HTML解析与数据提取

使用BeautifulSoup库解析HTML内容。

from bs4 import BeautifulSoup

soup = BeautifulSoup(html_content, "html.parser")

使用CSS选择器或其他方法提取数据。
```
title = soup.title.string
```

五、实战：爬取简书网站首页文章信息

发送请求，获取简书网站首页HTML内容。

import requests
from bs4 import BeautifulSoup

url = "https://www.jianshu.com"
response = requests.get(url)
html_content = response.text

六、存储数据

将数据存储为JSON格式。

import json

with open("jianshu_articles.json", "w", encoding="utf-8") as f:
    json.dump(article_info_list, f, ensure_ascii=False, indent=4)

七、测试与优化

遇到反爬虫策略时，可以使用User-Agent伪装成浏览器。

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)

使用time.sleep()函数控制请求频率。

import time

time.sleep(1

3.错误处理与异常捕获。

try:
    response = requests.get(url, headers=headers, timeout=5)
    response.raise_for_status()
except requests.exceptions.RequestException as e:
    print(f"Error: {e}")

网站爬虫完整代码：

import requests
from bs4 import BeautifulSoup
import json
import time

def fetch_jianshu_articles():
    url = "https://www.jianshu.com"
    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"}

    try:
        response = requests.get(url, headers=headers, timeout=5)
        response.raise_for_status()
    except requests.exceptions.RequestException as e:
        print(f"Error: {e}")
        return

    html_content = response.text
    soup = BeautifulSoup(html_content, "html.parser")
    articles = soup.find_all("div", class_="content")
    article_info_list = []

    for article in articles:
        title = article.h2.text.strip()
        author = article.find("span", class_="name").text.strip()
        link = url + article.h2.a["href"]

        article_info = {"title": title, "author": author, "link": link}
        article_info_list.append(article_info)

    return article_info_list

def save_to_json(article_info_list, filename):
    with open(filename, "w", encoding="utf-8") as f:
        json.dump(article_info_list, f, ensure_ascii=False, indent=4)

if __name__ == "__main__":
    article_info_list = fetch_jianshu_articles()
    if article_info_list:
        save_to_json(article_info_list, "jianshu_articles.json")
        print("Jianshu articles saved to 'jianshu_articles.json'.")
    else:
        print("Failed to fetch Jianshu articles.")

八、总结及拓展

本文通过介绍Python爬虫技术，帮助读者理解网络数据抓取的基本原理和方法。掌握爬虫技术是成为一名全栈工程师的重要技能之一，同时也为数据分析、大数据处理等领域奠定基础。在实际应用中，还可以尝试抓取更复杂的网站、使用代理IP、构建分布式爬虫等方法，提高爬虫的效率和稳定性。

九、补充

在文章三中，我们已经介绍了如何使用Python进行网络爬虫的基本操作。为了更好地理解这个实战项目，我们需要了解一些基础概念和原理，这将有助于掌握Python的网络编程和爬虫技术。以下是一些基本的网络爬虫概念：

HTTP协议：超文本传输协议（HTTP）是一种用于传输超媒体文档（如 HTML）的应用层协议。HTTP协议被用于从Web服务器传输或发布到Web浏览器或其他客户端的数据。
HTML、CSS 和 JavaScript：HTML 是用来描述网页的一种语言。CSS 是用来表现 HTML 结构的样式。JavaScript 是网页编程的一种脚本语言，主要用于实现网页上的动态效果和与用户的交互。
DOM：文档对象模型（DOM）是一种跨平台的编程接口，用于处理 HTML 和 XML 文档。DOM将文档视为树形结构，其中每个节点代表一个部分（如元素、属性或文本）。
URL：统一资源定位符（URL）是用于指定互联网资源位置的一种字符串。
请求头（Request Headers）：在HTTP请求中，请求头包含了关于客户端的环境、浏览器等信息。常见的请求头字段有：User-Agent、Accept、Referer 等。
响应头（Response Headers）：在HTTP响应中，响应头包含了关于服务器的信息、响应状态码等信息。常见的响应头字段有：Content-Type、Content-Length、Server 等。
网络爬虫策略：有些网站会采取一些策略来阻止爬虫抓取数据，如：封禁IP、限制访问速度、使用 JavaScript 动态加载数据等。在实际应用中，我们需要根据这些策略采取相应的应对措施，如：使用代理IP、限制爬虫抓取速度、使用浏览器模拟库（如 Selenium）等。