Python 爬虫从零入门实战指南

爬虫是指通过编程自动从网页上获取信息的技术。简单来说，当你打开网页右键查看源代码时，那些 HTML 代码就是网页的结构，而爬虫就像一位帮你阅读这些内容的'机器人'。

本文将详细讲解如何从零开始编写一个 Python 爬虫，即使是完全没接触过编程的朋友也能理解。

一、爬虫的基本流程

1. 发送请求：爬虫向目标网页发送请求，获取网页内容。
2. 解析网页：从返回的网页内容中提取你需要的信息。
3. 保存数据：将提取到的信息保存到文件或数据库中，以便后续分析。

二、常用爬虫库

在 Python 中，有两个非常流行的库用于爬虫开发：

• requests：用于发送网络请求，获取网页内容。
• BeautifulSoup：用于解析网页内容，提取需要的数据。

1. 安装库

首先，你需要安装这两个库。在命令行中执行以下命令：

pip install requests beautifulsoup4 -i https://pypi.tuna.tsinghua.edu.cn/simple

三、简单爬虫示例

接下来，我们会编写一个简单的爬虫，从一个网页上获取数据。

1. 获取网页内容

第一步是使用 requests 库来获取网页的内容。我们以获取百度首页为例。

import requests

# 发送请求获取网页内容
url = 'https://www.baidu.com'
response = requests.get(url)

# 打印网页内容
print(response.text)

原理说明：

• requests.get(url) 用于向指定网址发送请求并获取网页内容。
• response.text 返回网页的 HTML 代码。

运行后，你会看到大量的 HTML 代码，这就是百度首页的内容。

2. 解析网页内容

获取网页内容后，我们需要用 BeautifulSoup 库来解析 HTML，提取我们需要的信息。接下来我们解析百度首页的标题。

from bs4 import BeautifulSoup

# 解析网页内容
soup = BeautifulSoup(response.text, 'html.parser')

# 获取标题
title = soup.title.text
print('网页标题:', title)

原理说明：

• BeautifulSoup(response.text, 'html.parser') 用于解析 HTML 内容。
• soup.title.text 返回网页的标题。

输出结果如下：

网页标题：百度一下，你就知道

3. 提取更多信息

让我们继续提取网页中的链接（<a>标签中的 href 属性）。这非常有用，例如你想抓取某个网站上的所有文章链接。

# 获取所有的<a>标签
links = soup.find_all('a')

# 打印所有链接
for link in links:
    href = link.get('href')
    print(href)

原理说明：

• soup.find_all('a') 用于获取网页中的所有链接。
• link.get('href') 获取每个链接的 href 属性，也就是网址。

四、爬虫的分类

1. 简单爬虫（静态网页）

如果网页是静态的，所有的数据直接在 HTML 代码中呈现，这种网页最容易爬取。以上示例就是一个典型的静态网页爬虫。

2. 动态爬虫（处理 JavaScript 生成的内容）

有些网页的数据不是直接在 HTML 中，而是通过 JavaScript 动态生成的。这类网页需要更复杂的处理方式，通常我们会使用 Selenium 这样的库来模拟浏览器操作。

安装 Selenium：

pip install selenium -i https://pypi.tuna.tsinghua.edu.cn/simple

Selenium 可以像真实的用户一样与网页交互，甚至可以点击按钮、滚动页面等。比如要爬取动态生成的数据，我们可以使用 Selenium 来加载网页。

示例：

from selenium import webdriver

# 设置浏览器驱动路径
driver = webdriver.Chrome()

# 打开网页
driver.get('https://www.example.com')

# 获取网页标题
print(driver.title)

# 关闭浏览器
driver.quit()

3. 爬虫框架（Scrapy）

当你需要大规模爬取数据时，可以使用专门的爬虫框架——Scrapy。Scrapy 是一个强大的爬虫框架，具有异步、高效的特点，适合用于构建复杂的爬虫。

安装 Scrapy：

pip install scrapy -i https://pypi.tuna.tsinghua.edu.cn/simple

五、爬虫常见问题及解决方案

1. 网页反爬机制

有些网站不允许爬虫访问，通常会通过检测请求头或 IP 地址来防止爬虫访问。为了绕过这种限制，我们可以伪装成正常用户。

解决方法：添加请求头

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'
}
response = requests.get(url, headers=headers)

2. 延迟访问

频繁访问某个网站可能会触发反爬机制，我们可以通过设置延迟避免这种问题。

import time

# 延迟 2 秒后发送下一个请求
time.sleep(2)

3. 代理 IP

如果网站通过检测 IP 地址限制访问，我们可以使用代理 IP。

proxies = {
    'http': 'http://10.10.1.10:3128',
    'https': 'https://10.10.1.10:1080',
}
response = requests.get(url, proxies=proxies)

六、保存数据

当我们提取到需要的信息后，通常需要将数据保存起来，常见的保存方式有保存到CSV 文件或数据库。

1. 保存到 CSV 文件

import csv

# 保存数据到 CSV 文件
with open('data.csv', 'w', newline='', encoding='utf-8') as file:
    writer = csv.writer(file)
    writer.writerow(['标题', '链接'])  # 写入表头
    for link in links:
        writer.writerow([link.text, link.get('href')])

2. 保存到数据库

可以使用 SQLite 或其他数据库，将数据保存到数据库中。

import sqlite3

# 连接数据库（如果不存在会自动创建）
conn = sqlite3.connect('data.db')
cursor = conn.cursor()

# 创建表
cursor.execute('CREATE TABLE IF NOT EXISTS links (title TEXT, href TEXT)')

# 插入数据
for link in links:
    cursor.execute('INSERT INTO links (title, href) VALUES (?, ?)', (link.text, link.get('href')))

# 提交事务并关闭连接
conn.commit()
conn.close()

七、总结

1. 爬虫的基本流程：发送请求，解析网页，提取并保存数据。
2. 常用库：requests 用于发送请求，BeautifulSoup 用于解析 HTML。
3. 进阶技术：处理动态网页需要用到 Selenium，而大规模爬取可以使用 Scrapy 框架。
4. 应对反爬：通过伪装请求头、设置延迟以及使用代理 IP 等方式绕过反爬机制。