Python爬虫入门实例：Python7个爬虫小案例（附源码）

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

• **请求库：**如requests、aiohttp等，用于发送HTTP请求。
• **解析库：**如BeautifulSoup、lxml、PyQuery等，用于解析网页内容。
• **存储库：**如pandas、SQLite等，用于存储爬取到的数据。
• **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

• **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。
• **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

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

3. 存储库

• **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。
• **SQLite：**一个轻量级的数据库，支持SQL查询，适用于小型爬虫项目。

接下来将分享7个Python爬虫的小案例，帮助大家更好地学习和了解Python爬虫的基础知识。以下是每个案例的简介和源代码：

1. 爬取豆瓣电影Top250

这个案例使用BeautifulSoup库爬取豆瓣电影Top250的电影名称、评分和评价人数等信息，并将这些信息保存到CSV文件中。

import requestsfrom bs4 import BeautifulSoupimport csv# 请求URLurl = '<https://movie.douban.com/top250>'# 请求头部headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}# 解析页面函数def parse_html(html):    soup = BeautifulSoup(html, 'lxml')    movie_list = soup.find('ol', class_='grid_view').find_all('li')    for movie in movie_list:        title = movie.find('div', class_='hd').find('span', class_='title').get_text()        rating_num = movie.find('div', class_='star').find('span', class_='rating_num').get_text()        comment_num = movie.find('div', class_='star').find_all('span')[-1].get_text()        writer.writerow([title, rating_num, comment_num])# 保存数据函数def save_data():    f = open('douban_movie_top250.csv', 'a', newline='', encoding='utf-8-sig')    global writer    writer = csv.writer(f)    writer.writerow(['电影名称', '评分', '评价人数'])    for i in range(10):        url = '<https://movie.douban.com/top250?start=>' + str(i*25) + '&filter='        response = requests.get(url, headers=headers)        parse_html(response.text)    f.close()if __name__ == '__main__':    save_data()

2. 爬取猫眼电影Top100

这个案例使用正则表达式和requests库爬取猫眼电影Top100的电影名称、主演和上映时间等信息，并将这些信息保存到TXT文件中。

import requestsimport re# 请求URLurl = '<https://maoyan.com/board/4>'# 请求头部headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}# 解析页面函数def parse_html(html):    pattern = re.compile('<p class="name"><a href=".*?" title="(.*?)" data-act="boarditem-click" data-val="{movieId:\\\\d+}">(.*?)</a></p>.*?<p class="star">(.*?)</p>.*?<p class="releasetime">(.*?)</p>', re.S)    items = re.findall(pattern, html)    for item in items:        yield {            '电影名称': item[1],            '主演': item[2].strip(),            '上映时间': item[3]        }# 保存数据函数def save_data():    f = open('maoyan_top100.txt', 'w', encoding='utf-8')    for i in range(10):        url = '<https://maoyan.com/board/4?offset=>' + str(i*10)        response = requests.get(url, headers=headers)        for item in parse_html(response.text):            f.write(str(item) + '\\\\n')    f.close()if __name__ == '__main__':    save_data()

3. 爬取全国高校名单

这个案例使用正则表达式和requests库爬取全国高校名单，并将这些信息保存到TXT文件中。

import requestsimport re# 请求URLurl = '<http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html>'# 请求头部headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}# 解析页面函数def parse_html(html):    pattern = re.compile('<tr class="alt">.*?<td>(.*?)</td>.*?<td><div align="left">.*?<a href="(.*?)" target="_blank">(.*?)</a></div></td>.*?<td>(.*?)</td>.*?<td>(.*?)</td>.*?</tr>', re.S)    items = re.findall(pattern, html)    for item in items:        yield {            '排名': item[0],            '学校名称': item[2],            '省市': item[3],            '总分': item[4]        }# 保存数据函数def save_data():    f = open('university_top100.txt', 'w', encoding='utf-8')    response = requests.get(url, headers=headers)    for item in parse_html(response.text):        f.write(str(item) + '\\\\n')    f.close()if __name__ == '__main__':    save_data()

4. 爬取中国天气网城市天气

这个案例使用xpath和requests库爬取中国天气网的城市天气，并将这些信息保存到CSV文件中。

import requestsfrom lxml import etreeimport csv# 请求URLurl = '<http://www.weather.com.cn/weather1d/101010100.shtml>'# 请求头部headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}# 解析页面函数def parse_html(html):    selector = etree.HTML(html)    city = selector.xpath('//*[@id="around"]/div/div[1]/div[1]/h1/text()')[0]    temperature = selector.xpath('//*[@id="around"]/div/div[1]/div[1]/p/i/text()')[0]    weather = selector.xpath('//*[@id="around"]/div/div[1]/div[1]/p/@title')[0]    wind = selector.xpath('//*[@id="around"]/div/div[1]/div[1]/p/span/text()')[0]    return city, temperature, weather, wind# 保存数据函数def save_data():    f = open('beijing_weather.csv', 'w', newline='', encoding='utf-8-sig')    writer = csv.writer(f)    writer.writerow(['城市', '温度', '天气', '风力'])    for i in range(10):        response = requests.get(url, headers=headers)        city, temperature, weather, wind = parse_html(response.text)        writer.writerow([city, temperature, weather, wind])    f.close()if __name__ == '__main__':    save_data()

5. 爬取当当网图书信息

这个案例使用xpath和requests库爬取当当网图书信息，并将这些信息保存到CSV文件中。

import requestsfrom lxml import etreeimport csv# 请求URLurl = '<http://search.dangdang.com/?key=Python&act=input>'# 请求头部headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}# 解析页面函数def parse_html(html):    selector = etree.HTML(html)    book_list = selector.xpath('//*[@id="search_nature_rg"]/ul/li')    for book in book_list:        title = book.xpath('a/@title')[0]        link = book.xpath('a/@href')[0]        price = book.xpath('p[@class="price"]/span[@class="search_now_price"]/text()')[0]        author = book.xpath('p[@class="search_book_author"]/span[1]/a/@title')[0]        publish_date = book.xpath('p[@class="search_book_author"]/span[2]/text()')[0]        publisher = book.xpath('p[@class="search_book_author"]/span[3]/a/@title')[0]        yield {            '书名': title,            '链接': link,            '价格': price,            '作者': author,            '出版日期': publish_date,            '出版社': publisher        }# 保存数据函数def save_data():    f = open('dangdang_books.csv', 'w', newline='', encoding='utf-8-sig')    writer = csv.writer(f)    writer.writerow(['书名', '链接', '价格', '作者', '出版日期', '出版社'])    response = requests.get(url, headers=headers)    for item in parse_html(response.text):        writer.writerow(item.values())    f.close()if __name__ == '__main__':    save_data()

6. 爬取糗事百科段子

这个案例使用xpath和requests库爬取糗事百科的段子，并将这些信息保存到TXT文件中。

import requestsfrom lxml import etree# 请求URLurl = '<https://www.qiushibaike.com/text/>'# 请求头部headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}# 解析页面函数def parse_html(html):    selector = etree.HTML(html)    content_list = selector.xpath('//div[@class="content"]/span/text()')    for content in content_list:        yield content# 保存数据函数def save_data():    f = open('qiushibaike_jokes.txt', 'w', encoding='utf-8')    for i in range(3):        url = '<https://www.qiushibaike.com/text/page/>' + str(i+1) + '/'        response = requests.get(url, headers=headers)        for content in parse_html(response.text):            f.write(content + '\\\\n')    f.close()if __name__ == '__main__':    save_data()

7. 爬取新浪微博

这个案例使用selenium和requests库爬取新浪微博，并将这些信息保存到TXT文件中。

import timefrom selenium import webdriverimport requests# 请求URLurl = '<https://weibo.com/>'# 请求头部headers = {    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36'}# 解析页面函数def parse_html(html):    print(html)# 保存数据函数def save_data():    f = open('weibo.txt', 'w', encoding='utf-8')    browser = webdriver.Chrome()    browser.get(url)    time.sleep(10)    browser.find_element_by_name('username').send_keys('username')    browser.find_element_by_name('password').send_keys('password')    browser.find_element_by_class_name('W_btn_a').click()    time.sleep(10)    response = requests.get(url, headers=headers, cookies=browser.get_cookies())    parse_html(response.text)    browser.close()    f.close()if __name__ == '__main__':    save_data()

希望这7个小案例能够帮助大家更好地掌握Python爬虫的基础知识！

三、爬虫注意事项与技巧

• 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。

• 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。

• 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。

• 使用代理IP、Cookies等技巧

• 提高爬虫的稳定性和成功率。

• 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。

Python爬虫框架

• 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。

• 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。

如果你对Python爬虫感兴趣，那么你需要的话可以
点击这里👉Python重磅福利：入门&进阶全套学习资料、电子书、软件包、项目源码等等免费分享！

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。