网络爬虫开发：JavaScript与Python特性的小差异

JavaScript

JavaScript具有以下一些主要特点：

• 动态类型： JavaScript是一种动态类型语言，变量可以存储任意类型的数据，无需事先声明变量的类型。
• 事件驱动：JavaScript主要用于处理用户在浏览器中的各种交互事件，如单击、鼠标移动、键盘输入等。
• 面向对象：JavaScript虽然不是一种严格的面向对象语言，但它支持对象、继承等面向对象编程概念。
• 函数式编程：JavaScript支持函数式编程，函数可作为一等公民，可以赋值给变量、作为参数传递给其他函数。
• 异步编程：JavaScript擅长异步编程，可以利用回调函数、Promise、async/await等机制来处理异步操作。

Python

Python是一种通用编程语言：

• 数据分析和科学计算：Python拥有丰富的数据分析和科学计算库，如NumPy、Pandas、Matplotlib等，广泛应用于数据挖掘、机器学习等场景。
• 人工智能和机器学习：Python在人工智能和机器学习领域非常流行，有TensorFlow、PyTorch等强大的深度学习库。
• Web开发：Python有Django、Flask等流行的Web框架，可用于开发动态网站和Web应用程序。
• 系统编程和自动化：Python擅长系统编程和自动化任务，可用于编写脚本、系统管理等。
• 数据可视化：Python有丰富的可视化库，如Matplotlib、Seaborn，可用于生成各种图表和可视化效果。
• 教育和科研：Python简单易学，被广泛应用于编程教育和科学研究领域。

对比

Python更加通用和易学，适合初学者和从事数据分析、机器学习等工作的开发者；而JavaScript则更擅长web开发和交互式应用程序。

爬虫代码书写

这里主要讲解python的爬虫代码书写，我们使用colab平台进行代码的编写。

Google Colab(Colaboratory)是一个基于浏览器的免费Jupyter Notebook环境，它为用户提供了一个免费的云端计算平台，用于编写和运行代码，尤其适合机器学习和数据科学领域的开发和研究。

首先我们先安装依赖。

# python 请求库
! pip install requests
# python dom 查找
! pip install beautifulsoup4

接下来我们就开始去编写获取数据的代码，这里我们通过豆瓣电影排行榜 (douban.com)这个链接去获取电影的数据。

首先看以下代码：

# 引入请求库
import requests
from bs4 import BeautifulSoup

# 爬取url里的电影数据
def fetch_movie_list(url):
  headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36 Edg/125.0.0.0'
  }
  response = requests.get(url,headers = headers)

  if(response.status_code == 200):
    soup = BeautifulSoup(response.text,'html.parser')
    movie_list = []
    movies = soup.select('#wrapper #content .article .item')
    print(len(movies))

    all_movies_text = ''.join([movie.prettify() for movie in movies])
    print(all_movies_text)
    print(movies)
    # 拿到数据就交给ai分析
    return movies
  else:
    print("失败")

url = "https://movie.douban.com/chart"

# 爬取url里的电影数据
movies = fetch_movie_list(url)

这段代码我们就能够获取到相应的html数据了。

解释一下这段代码之前我们先聊一下前置知识。

向一个网站发送请求，到底得到了什么？

向一个网站发送请求的本质就是获取该网站返回的HTML页面。这个过程可以分为以下几个步骤：

1. 构建HTTP请求：

• 确定请求方法(GET、POST、PUT、DELETE等)
• 设置请求头(User-Agent、Accept、Referer等)
• 传递请求参数(查询字符串、请求体等)

2. 发送HTTP请求：

• 通过网络协议(如TCP/IP)将请求发送到目标网站的服务器

3. 接收响应：

• 服务器接收到请求后,会生成相应的HTML页面作为响应内容
• 将HTML页面通过网络协议返回给发起请求的客户端

4. 获取HTML页面：

• 客户端接收到服务器返回的HTML页面
• 解析和处理这个HTML页面,提取所需的信息

这个过程中，获取HTML页面是关键目标。HTML页面包含了网站的结构、内容和样式信息，通过解析和分析这个HTML。

既然我们向一个网站发送请求可以获取到html结构，这不就代表着我们可以通过分析html来获取数据。

接下来就继续分析上面的代码。

讲解一下：

headers = {
    'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/125.0.0.0 Safari/537.36 Edg/125.0.0.0'
}

这个请求头其实就是告诉网站，我是真人，不是程序

• Mozilla/5.0 是一个标准的浏览器标识前缀。
• (Windows NT 10.0; Win64; x64) 表示操作系统是 Windows 10 64 位版本。
• AppleWebKit/537.36 说明使用了基于 WebKit 537.36 版本的渲染引擎。
• (KHTML, like Gecko) 表示浏览器内核与 KHTML 和 Gecko 引擎相似。
• Chrome/125.0.0.0 说明浏览器是 Google Chrome 125.0.0.0 版本。
• Safari/537.36 也表示使用了 Safari 浏览器的一些特性。
• Edg/125.0.0.0 则表示使用了 Microsoft Edge 125.0.0.0 版本。

那么我们要如何获取到自己浏览器的这份User-Agent数据呢？

很简单，只需要在浏览器的控制台输入navigator.userAgent就可以获取到了

继续分析，我们以前写JavaScript的代码时，在遇到了发送请求时，都是需要去await的。

但是为什么Python代码不需要这样做呢？

这就是因为JavaScript是异步的，Python是同步的。

JavaScript就需要使用关键词await将异步代码块变为同步代码。

作者：爱吃土豆丝呦
链接：https://juejin.cn/post/7391699424793591845