前言
网络爬虫(Web Crawler),也称为网页蜘蛛(Web Spider)或网页机器人(Web Bot),是一种按照既定规则自动浏览网络并提取信息的程序。爬虫的主要用途包括数据采集、网络索引、内容抓取等。
爬虫的基本原理
- 种子 URL:爬虫从一个或多个种子 URL 开始,这些 URL 是起点。
- 发送请求:爬虫向这些种子 URL 发送 HTTP 请求,通常是 GET 请求。
- 获取响应:服务器返回网页的 HTML 内容作为响应。
- 解析内容:爬虫解析 HTML 内容,提取所需的数据(如文本、链接、图片等)。
- 提取链接:从网页中提取出所有链接,并将这些链接加入待访问队列。
- 重复过程:爬虫重复上述步骤,直到达到某个停止条件,如爬取了一定数量的页面,或所有页面都被爬取完毕。
爬虫的分类
-
通用爬虫
- 设计用于抓取整个互联网的大量网页。搜索引擎(如 Google、Bing)的爬虫就是通用爬虫。
-
聚焦爬虫
- 专注于特定主题或领域,抓取相关网页。比如,一个新闻爬虫只抓取新闻网站的内容。
-
增量爬虫
- 仅抓取自上次爬取以来发生变化或更新的网页,适用于动态内容更新频繁的网站。
爬虫的合法性和道德
在编写和运行爬虫时,必须遵循以下原则:
-
遵守网站的
robots.txt
:-
大多数网站都有一个
robots.txt
文件,规定了哪些页面允许被爬取,哪些不允许。爬虫应当尊重这些规则。
-
-
避免过度抓取:
- 设置适当的抓取频率,避免对服务器造成过大负担。
-
尊重版权和隐私:
- 不应抓取或使用受版权保护的内容,或涉及用户隐私的数据。
-
获取许可:
- 在某些情况下,最好获得网站管理员的许可,特别是当你打算频繁地抓取大量数据时。
通过以上方法和原则,可以编写高效、可靠且合规的网络爬虫来满足数据采集的需求。
侦察
页面如下
查找数据来源
请求地址与方法
源代码
import pprint
import re
import requests
from datetime import datetime
def main():
# 请求地址
url = 'https://m.weibo.cn/comments/hotflow?id=5064076086744242&mid=5064076086744242&max_id_type=0'
# 伪造请求头
headers = {
'referer': 'https://m.weibo.cn/detail/5064076086744242',
'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/127.0.0.0 Safari/537.36'
}
# 请求数据
res = requests.get(url, headers=headers)
# 遍历 json 数据
# ['data']: 这表示访问上一步得到的对象的data属性
for index in res.json()['data']['data']:
# 创建字典保存数据
dic = {
'用户': index['user']['screen_name'],
'地区': index['source'],
# < 和 > 分别匹配HTML标签的开始和结束。
# [ ^ >] 匹配除了 > 之外的任何字符。
# + 表示匹配前面的字符一次或多次。
'评论内容': re.sub(r'<[^>]+>', '', index['text']),
# % a表示星期的缩写名(例如,Mon)
# %b 表示月份的缩写名(例如,Aug)
# %d 表示月份中的日(00 - 31)
# %H 表示小时(00 - 23)
# %M 表示分钟(00 - 59)
# %S 表示秒(00 - 59)
# %z 表示UTC偏移量(例如,+0800)
# %Y 表示四位年份(0000 - 9999)
'时间': datetime.strptime(index['created_at'], '%a %b %d %H:%M:%S %z %Y').strftime('%Y-%m-%d %H:%M:%S')
}
print(dic)
if __name__ == '__main__':
main()