Python 爬虫实战：7 个日常常用案例详解

说明：使用 csv.DictWriter 更规范地写入表头。增加了 time.sleep 防止请求过快被封禁。

2. 爬取猫眼电影 Top100

目标：利用正则表达式提取猫眼电影榜单信息，保存至 TXT 文件。

技术点：requests + 正则匹配 + 文本写入。

代码示例：

import requests
import re
import time

url = 'https://maoyan.com/board/4'
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):
    # 使用原始字符串 r'' 避免转义问题
    pattern = re.compile(r'<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():
    with open('maoyan_top100.txt', 'w', encoding='utf-8') as f:
        for i in range(10):
            page_url = f'{url}?offset={i*10}'
            response = requests.get(page_url, headers=headers)
            if response.status_code == 200:
                for item in parse_html(response.text):
                    f.write(str(item) + '\n')
            time.sleep(1)

if __name__ == '__main__':
    save_data()

说明：正则匹配灵活但维护成本高，适用于结构简单的页面。注意处理编码格式。

3. 爬取全国高校名单

目标：抓取特定大学排名网站的高校列表信息。

技术点：requests + 正则 + 表格数据提取。

代码示例：

import requests
import re
import time

url = 'http://www.zuihaodaxue.com/zuihaodaxuepaiming2019.html'
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'
}

def parse_html(html):
    # 匹配表格行内容
    pattern = re.compile(r'<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]
        }

def save_data():
    with open('university_top100.txt', 'w', encoding='utf-8') as f:
        response = requests.get(url, headers=headers)
        if response.status_code == 200:
            for item in parse_html(response.text):
                f.write(str(item) + '\n')

if __name__ == '__main__':
    save_data()

说明：此类教育类网站通常更新频率低，适合批量采集历史数据。

4. 爬取中国天气网城市天气

目标：获取指定城市的实时天气信息。

技术点：requests + XPath (lxml) + CSV。

代码示例：

import requests
from lxml import etree
import csv
import time

url = 'http://www.weather.com.cn/weather1d/101010100.shtml'
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'
}

def parse_html(html):
    selector = etree.HTML(html)
    try:
        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
    except IndexError:
        return None, None, None, None

def save_data():
    with open('beijing_weather.csv', 'w', newline='', encoding='utf-8-sig') as f:
        writer = csv.writer(f)
        writer.writerow(['城市', '温度', '天气', '风力'])
        for i in range(3):  # 演示循环，实际可定时任务
            response = requests.get(url, headers=headers)
            city, temperature, weather, wind = parse_html(response.text)
            if city:
                writer.writerow([city, temperature, weather, wind])
            time.sleep(1)

if __name__ == '__main__':
    save_data()

说明：XPath 在处理复杂 HTML 结构时比正则更高效且易读。增加异常捕获防止程序崩溃。

5. 爬取当当网图书信息

目标：搜索特定关键词下的图书详情。

技术点：requests + XPath + CSV。

代码示例：

import requests
from lxml import etree
import csv
import time

url = 'http://search.dangdang.com/?key=Python&act=input'
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'
}

def parse_html(html):
    selector = etree.HTML(html)
    book_list = selector.xpath('//*[@id="search_nature_rg"]/ul/li')
    for book in book_list:
        try:
            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
            }
        except IndexError:
            continue

def save_data():
    with open('dangdang_books.csv', 'w', newline='', encoding='utf-8-sig') as f:
        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)
        if response.status_code == 200:
            for item in parse_html(response.text):
                writer.writerow(item.values())

if __name__ == '__main__':
    save_data()

说明：电商网站结构变动频繁，需定期校验 XPath 路径是否失效。

6. 爬取糗事百科段子

目标：抓取图文社区的文字内容。

技术点：requests + XPath + 分页处理。

代码示例：

import requests
from lxml import etree
import time

url = 'https://www.qiushibaike.com/text/'
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'
}

def parse_html(html):
    selector = etree.HTML(html)
    content_list = selector.xpath('//div[@class="content"]/span/text()')
    for content in content_list:
        yield content.strip()

def save_data():
    with open('qiushibaike_jokes.txt', 'w', encoding='utf-8') as f:
        for i in range(3):
            page_url = f'https://www.qiushibaike.com/text/page/{i+1}/'
            response = requests.get(page_url, headers=headers)
            if response.status_code == 200:
                for content in parse_html(response.text):
                    f.write(content + '\n')
            time.sleep(1)

if __name__ == '__main__':
    save_data()

说明：注意处理特殊字符和换行符，确保文本可读性。

7. 爬取新浪微博（Selenium 动态加载）

目标：处理需要登录或 JavaScript 渲染的页面。

技术点：Selenium + Requests + Cookies 复用。

代码示例：

import time
from selenium import webdriver
from selenium.webdriver.common.by import By
import requests

url = 'https://weibo.com/'
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'
}

def parse_html(html):
    print(html[:500])  # 仅打印前 500 字符用于调试

def save_data():
    with open('weibo.txt', 'w', encoding='utf-8') as f:
        # 初始化浏览器驱动
        browser = webdriver.Chrome()
        browser.get(url)
        
        # 等待页面加载
        time.sleep(10)
        
        # 模拟登录（注意：实际使用中请勿硬编码账号密码）
        try:
            username_input = browser.find_element(By.NAME, 'username')
            password_input = browser.find_element(By.NAME, 'password')
            login_btn = browser.find_element(By.CLASS_NAME, 'W_btn_a')
            
            # 此处仅为演示，实际应通过环境变量或配置文件管理敏感信息
            # username_input.send_keys('your_username')
            # password_input.send_keys('your_password')
            # login_btn.click()
            # time.sleep(10)
            
            # 获取登录后的 Cookie
            cookies = browser.get_cookies()
            
            # 使用 Cookie 发起请求
            response = requests.get(url, headers=headers, cookies=cookies)
            parse_html(response.text)
            f.write(response.text)
        except Exception as e:
            print(f'Login failed: {e}')
        finally:
            browser.close()

if __name__ == '__main__':
    save_data()

说明：Selenium 适合处理验证码、动态加载等复杂场景，但速度较慢。建议结合 Selenium 获取 Cookie 后切换至 Requests 进行高频请求。

爬虫最佳实践与注意事项

1. 遵守 robots.txt

在爬取前，务必检查目标网站的 robots.txt 协议（如 https://example.com/robots.txt），尊重网站的抓取规则，避免抓取禁止爬取的目录。

2. 设置合理的请求间隔

不要短时间内发送大量请求，建议在每次请求间添加 time.sleep() 随机延时，模拟人类行为，降低被封 IP 的风险。

3. 处理反爬机制

常见反爬手段包括限制 User-Agent、IP 封禁、验证码等。解决方案包括：

• 更换 User-Agent 池
• 使用代理 IP 服务
• 接入打码平台处理验证码

4. 数据安全与隐私

严禁爬取个人隐私数据（如手机号、身份证号）。所有采集的数据仅用于学习或合法合规的商业分析，不得用于非法用途。

5. 异常处理

网络请求可能随时失败，代码中应包含 try-except 块，记录错误日志，确保程序健壮性。

结语

本文通过 7 个实际案例，系统讲解了 Python 爬虫的核心技术与实现细节。从基础的静态页面解析到复杂的动态页面交互，希望能为初学者提供清晰的入门路径。爬虫技术是一把双刃剑，请在合法合规的前提下合理使用，共同维护健康的网络环境。