Python 爬虫基础教学

爬虫是自动从互联网上抓取数据的程序，Python 因其丰富的库和简洁语法成为爬虫开发的首选语言。下面我将介绍Python爬虫的基础知识。

一.基本组件

1. Requests库- 用于发送HTTP请求

2. BeautifulSoup库 - 用于解析HTML/XML文档

3. 正则表达式 - 用于提取特定模式的数据

二.安装必要库

bash
pip install requests beautifulsoup4 lxml
 

三.简单爬虫示例

python
import requests
from bs4 import BeautifulSoup

# 1. 发送HTTP请求获取网页内容
url = 'https://example.com'
response = requests.get(url)

# 检查请求是否成功
if response.status_code == 200:
    # 2. 解析网页内容
    soup = BeautifulSoup(response.text, 'lxml')
    
    # 3. 提取所需数据
    # 获取页面标题
    title = soup.title.string
    print(f"页面标题: {title}")
    
    # 获取所有链接
    links = soup.find_all('a')
    for link in links:
        print(link.get('href'))
else:
    print(f"请求失败，状态码: {response.status_code}")

四.常用数据提取方法

python
# 通过标签名查找
soup.find('div')  # 查找第一个div标签
soup.find_all('p')  # 查找所有p标签

# 通过类名查找
soup.find_all(class_='class-name')

# 通过ID查找
soup.find(id='element-id')

# 通过CSS选择器查找
soup.select('div.content > p')  # 查找div.content下的所有p标签
```

五.处理动态内容

对于JavaScript渲染的页面，可以使用Selenium：

python
from selenium import webdriver
from selenium.webdriver.common.by import By

driver = webdriver.Chrome()
driver.get('https://example.com')

# 等待页面加载完成
driver.implicitly_wait(10)

# 查找元素
element = driver.find_element(By.TAG_NAME, 'h1')
print(element.text)

driver.quit()

六.爬虫伦理与法律注意事项

1. 尊重robots.txt - 遵守网站的爬虫规则

2. 设置合理的请求间隔 - 避免给服务器造成过大压力

3. 注明数据来源 - 如果公开使用爬取的数据

4. 不爬取敏感或个人数据 - 遵守隐私法律法规

5. 检查网站的使用条款- 确保爬虫行为不违反条款

七.高级技巧

1. 使用Session保持会话

2. 处理Cookies

3. 设置请求头模拟浏览器

4. 使用代理IP

5. 处理验证码

6. 数据存储(CSV, JSON, 数据库)

八.简单实战示例

python
import requests
from bs4 import BeautifulSoup
import csv

def simple_crawler(url, output_file):
    # 设置请求头模拟浏览器
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'
    }
    
    response = requests.get(url, headers=headers)
    
    if response.status_code == 200:
        soup = BeautifulSoup(response.text, 'lxml')
        
        # 假设我们要提取所有新闻标题和链接
        news_items = soup.select('.news-item')  # 根据实际网站结构调整选择器
        
        with open(output_file, 'w', newline='', encoding='utf-8') as file:
            writer = csv.writer(file)
            writer.writerow(['标题', '链接'])
            
            for item in news_items:
                title = item.select_one('h2').text.strip()
                link = item.find('a')['href']
                writer.writerow([title, link])
                
        print(f"数据已保存到{output_file}")
    else:
        print("请求失败")

# 使用示例
simple_crawler('https://news.example.com', 'news_data.csv')

希望这份基础教学能帮助你入门Python爬虫开发！记得始终遵守法律和道德规范。