Python爬虫入门实例代码分析

爬虫技术基础概念

1. 爬虫：自动获取网络数据的程序。

2. Web页面结构：HTML、CSS、JavaScript等。

3. HTTP请求：客户端向服务器请求数据的方式。

4. HTTP响应：服务器返回给客户端的数据。

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

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

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

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)

测试与优化

1.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)

2.使用time.sleep()函数控制请求频率。

import time
 
time.sleep(10)

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.h3.text.strip()
        author = article.find("span", class_="name").text.strip()
        link = url + article.h3.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.")

补充

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：

1. 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。

2. 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。

3. 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）。

4. 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。

5. 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。

6. 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。

7. 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。