Python爬虫详解：原理、常用库与实战案例

前言

前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家：https://www.captainbed.cn/z

ChatGPT体验地址

引言：

随着互联网的快速发展，数据成为了新时代的石油。Python作为一种高效、易学的编程语言，在数据采集领域有着广泛的应用。本文将详细讲解Python爬虫的原理、常用库以及实战案例，帮助读者掌握爬虫技能。

一、爬虫原理

爬虫，又称网络爬虫，是一种自动获取网页内容的程序。它模拟人类浏览网页的行为，发送HTTP请求，获取网页源代码，再通过解析、提取等技术手段，获取所需数据。

1. HTTP请求与响应过程

爬虫首先向目标网站发送HTTP请求，请求可以包含多种参数，如URL、请求方法（GET或POST）、请求头（Headers）等。服务器接收到请求后，返回相应的HTTP响应，包括状态码、响应头和响应体（网页内容）。

2. 常用爬虫技术

（1）请求库：如requests、aiohttp等，用于发送HTTP请求。
（2）解析库：如BeautifulSoup、lxml、PyQuery等，用于解析网页内容。
（3）存储库：如pandas、SQLite等，用于存储爬取到的数据。
（4）异步库：如asyncio、aiohttp等，用于实现异步爬虫，提高爬取效率。

二、Python爬虫常用库

1. 请求库

（1）requests：简洁、强大的HTTP库，支持HTTP连接保持和连接池，支持SSL证书验证、Cookies等。
（2）aiohttp：基于asyncio的异步HTTP网络库，适用于需要高并发的爬虫场景。

2. 解析库

（1）BeautifulSoup：一个HTML和XML的解析库，简单易用，支持多种解析器。
（2）lxml：一个高效的XML和HTML解析库，支持XPath和CSS选择器。
（3）PyQuery：一个Python版的jQuery，语法与jQuery类似，易于上手。

3. 存储库

（1）pandas：一个强大的数据分析库，提供数据结构和数据分析工具，支持多种文件格式。
（2）SQLite：一个轻量级的数据库，支持SQL查询，适用于小型爬虫项目。

三、编写一个简单的Python爬虫

以爬取豆瓣电影TOP250为例，讲解如何编写一个简单的Python爬虫。

1. 设计爬虫需求
   爬取豆瓣电影TOP250的电影名称、评分、导演等信息。
2. 编写代码
   （1）使用requests库发送HTTP请求，获取网页源代码。
   （2）使用BeautifulSoup库解析网页内容，提取所需数据。
   （3）使用pandas库存储数据，并保存为CSV文件。
3. 运行爬虫并展示结果

import requests
from bs4 import BeautifulSoup
import pandas as pd
# 豆瓣电影TOP250的基础URL
base_url = 'https://movie.douban.com/top250'
# 定义一个函数来获取页面内容
def get_page_content(url):
    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)
    if response.status_code == 200:
        return response.text
    else:
        print('请求页面失败:', response.status_code)
        return None
# 定义一个函数来解析页面内容
def parse_page_content(html):
    soup = BeautifulSoup(html, 'html.parser')
    movie_list = soup.find_all('div', class_='item')
    movies = []
    for movie in movie_list:
        title = movie.find('span', class_='title').get_text()
        rating = movie.find('span', class_='rating_num').get_text()
        director = movie.find('p', class_='').find('a').get_text()
        movies.append({'title': title, 'rating': rating, 'director': director})
    return movies
# 定义一个函数来保存数据到CSV文件
def save_to_csv(movies):
    df = pd.DataFrame(movies)
    df.to_csv('douban_top250.csv', index=False, encoding='utf_8_sig')
# 主函数，用于运行爬虫
def main():
    movies = []
    for i in range(0, 250, 25):  # 豆瓣电影TOP250分为10页，每页25部电影
        url = f'{base_url}?start={i}&filter='
        html = get_page_content(url)
        if html:
            movies.extend(parse_page_content(html))
    save_to_csv(movies)
    print('爬取完成，数据已保存到douban_top250.csv')
# 运行主函数
if __name__ == '__main__':
    main()

在实际使用中，需要根据豆瓣网站的实际情况调整以下内容：

1. URL和参数：根据豆瓣电影的URL结构和参数进行设置。
2. BeautifulSoup选择器：根据网页源代码的结构编写正确的选择器来提取数据。
   此外，为了遵守网站的使用协议和法律法规，请确保在编写爬虫时遵循以下几点：

• 遵守Robots协议，不爬取网站禁止爬取的内容。
• 设置合理的请求间隔，避免对网站服务器造成过大压力。
• 如果遇到网站的反爬措施，如验证码、IP封禁等，请合理应对，遵守网站规定。
• 使用爬虫获取的数据请勿用于商业目的或侵犯他人隐私。
  最后，由于网站结构可能会发生变化，上述代码可能需要根据实际情况进行调整。在实际应用中，请确保您的爬虫行为合法合规。

四、爬虫实战案例

以爬取某招聘网站职位信息为例，讲解如何编写一个实用的Python爬虫。

1. 分析网站结构

通过观察招聘网站的URL、参数和页面结构，找到职位信息的来源。

2. 编写爬虫代码

（1）使用requests库发送带参数的HTTP请求，获取职位列表。
（2）使用lxml库解析职位列表，提取职位详情页URL。
（3）使用PyQuery库解析职位详情页，提取职位信息。
（4）使用SQLite数据库存储职位信息。
3. 结果展示与分析

import requests
from lxml import etree
from pyquery import PyQuery as pq
import sqlite3
# 创建或连接SQLite数据库
conn = sqlite3.connect('job.db')
cursor = conn.cursor()
# 创建职位信息表
cursor.execute('CREATE TABLE IF NOT EXISTS job (id INTEGER PRIMARY KEY, title TEXT, salary TEXT, company TEXT, location TEXT)')
# 分析网站结构后得到的职位列表URL
url = 'https://www.example.com/jobs'
# 发送HTTP请求获取职位列表
params = {
    'page': 1,  # 假设页面参数为page，这里请求第1页
    'city': 'beijing'  # 假设城市参数为city，这里请求北京地区的职位
}
response = requests.get(url, params=params)
response.encoding = 'utf-8'  # 设置字符编码，防止乱码
# 使用lxml解析职位列表，提取职位详情页URL
html = etree.HTML(response.text)
job_list = html.xpath('//div[@class="job-list"]/ul/li/a/@href')  # 假设职位详情页URL在a标签的href属性中
# 遍历职位详情页URL，爬取职位信息
for job_url in job_list:
    job_response = requests.get(job_url)
    job_response.encoding = 'utf-8'
    job_html = pq(job_response.text)
    # 使用PyQuery解析职位详情页，提取职位信息
    title = job_html('.job-title').text()  # 假设职位名称在class为job-title的元素中
    salary = job_html('.job-salary').text()  # 假设薪资信息在class为job-salary的元素中
    company = job_html('.job-company').text()  # 假设公司名称在class为job-company的元素中
    location = job_html('.job-location').text()  # 假设工作地点在class为job-location的元素中
    # 存储职位信息到SQLite数据库
    cursor.execute('INSERT INTO job (title, salary, company, location) VALUES (?, ?, ?, ?)', (title, salary, company, location))
    conn.commit()
# 关闭数据库连接
cursor.close()
conn.close()

在实际使用中，需要根据目标网站的实际情况调整以下内容：

1. URL和参数：根据目标网站的URL结构和参数进行设置。
2. Xpath表达式：根据网页源代码的结构编写正确的Xpath表达式来提取数据。
3. PyQuery选择器：根据网页源代码的结构编写正确的CSS选择器来提取数据。
4. 数据库操作：根据需要创建合适的数据库表结构，并插入数据。
   此外，为了遵守网站的使用协议和法律法规，请确保在编写爬虫时遵循以下几点：

• 遵守Robots协议，不爬取网站禁止爬取的内容。
• 设置合理的请求间隔，避免对网站服务器造成过大压力。
• 如果遇到网站的反爬措施，如验证码、IP封禁等，请合理应对，遵守网站规定。
• 使用爬虫获取的数据请勿用于商业目的或侵犯他人隐私。

五、爬虫注意事项与技巧

1. 遵循Robots协议
   尊重网站的爬虫协议，避免爬取禁止爬取的内容。
2. 设置合理的请求间隔
   避免对目标网站服务器造成过大压力，合理设置请求间隔。
3. 处理反爬虫策略
   了解并应对网站的反爬虫策略，如IP封禁、验证码等。
4. 使用代理IP、Cookies等技巧
   提高爬虫的稳定性和成功率。
5. 分布式爬虫的搭建与优化
   使用Scrapy-Redis等框架，实现分布式爬虫，提高爬取效率。
   六、Python爬虫框架
6. Scrapy：强大的Python爬虫框架，支持分布式爬取、多种数据格式、强大的插件系统等。
7. Scrapy-Redis：基于Scrapy和Redis的分布式爬虫框架，实现分布式爬取和去重功能。

结语：

通过本文的讲解，相信读者已经对Python爬虫有了较为全面的认识。爬虫技能在数据分析、自然语言处理等领域具有广泛的应用，希望读者能够动手实践，不断提高自己的技能水平。同时，请注意合法合规地进行爬虫，遵守相关法律法规。祝您学习愉快！