Python星球日记 - 第16天：爬虫基础（仅学习使用）

🌟引言：

上一篇：Python星球日记 - 第15天：综合复习（回顾前14天所学知识）

名人说：不要人夸颜色好，只留清气满乾坤（王冕《墨梅》）
创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）

目录

• • 一、爬虫的概念与原理
  • • 1. 什么是网络爬虫
    • 2. 爬虫的工作原理
    • 3. 爬虫的法律和道德考量⚠️
  • 二、使用 requests 库获取网页数据
  • • 1. `requests`库介绍
    • 2. 发送GET请求
    • 3. 处理响应内容
    • 4. 设置请求头和参数
  • 三、使用 BeautifulSoup 解析HTML
  • • 1. BeautifulSoup简介
    • 2. 安装和导入
    • 3. 解析HTML文档
    • 4. 选择和提取元素
  • 四、实战练习：爬取网站标题列表
  • • 1. 目标分析
    • 2. 编写爬虫代码
    • 3. 运行和结果分析
    • 4. 优化和扩展
  • 五、练习（仅学习用途）
  • 六、总结
  • 参考资源

专栏介绍： Python星球日记专栏介绍（持续更新ing）
更多Python知识，请关注我、订阅专栏《 Python星球日记》，内容持续更新中…

欢迎来到Python星球🪐的第16天！

在学习完Python基础知识并进行了复习后，我们今天将探索一个非常实用的Python应用领域：网络爬虫。通过今天的学习，你将了解如何使用Python抓取互联网上的数据，这是数据分析、人工智能和自动化任务的重要基础。

一、爬虫的概念与原理

1. 什么是网络爬虫

网络爬虫（Web Crawler）是一种自动获取网页内容的程序。它可以访问互联网上的网页，获取其中的数据，并根据需要进行分析和存储。爬虫就像是我们派出去的"数字蜘蛛"，它们在互联网的"网络"上爬行，收集我们需要的信息。

2. 爬虫的工作原理

爬虫的基本工作原理可以概括为以下几个步骤：

1. 发送请求：爬虫向目标网站发送HTTP请求，就像我们在浏览器中输入网址一样。
2. 获取响应：服务器返回响应，通常包含HTML、JSON或其他格式的数据。
3. 解析数据：爬虫解析获取到的数据，提取出需要的信息。
4. 数据处理：对提取的数据进行清洗、转换和存储。
5. 应用数据：将处理后的数据用于分析、展示或其他用途。

3. 爬虫的法律和道德考量⚠️

在进行网络爬虫活动时，我们需要注意以下几点🌟：

• 尊重robots.txt：许多网站都有一个名为robots.txt的文件，用于告诉爬虫哪些页面可以访问，哪些不能。
• 控制请求频率：过于频繁的请求可能会给服务器带来负担，甚至被误认为是DoS攻击（拒绝服务攻击）。
• 遵守法律法规：不要爬取受版权保护的内容或个人隐私数据。
• 注意使用条款：某些网站在使用条款中明确禁止爬虫活动。

二、使用 requests 库获取网页数据

1. requests库介绍

requests是Python中最受欢迎的 HTTP客户端库 ，它使得发送HTTP请求变得简单而直观。该库的设计理念是"为人类准备的HTTP库"，因此使用起来非常友好。

首先，我们需要安装requests库：

pip install requests

2. 发送GET请求

使用requests库发送GET请求非常简单：

import requests# 发送GET请求
response = requests.get('https://www.example.com')# 检查请求是否成功
if response.status_code == 200:print('请求成功！')
else:print(f'请求失败，状态码: {response.status_code}')

例如，访问 www.baidu.com，向百度搜索主页发送GET请求

import requests# 发送GET请求
response = requests.get('https://www.baidu.com')# 检查请求是否成功
if response.status_code == 200:print('请求成功！')
else:print(f'请求失败，状态码: {response.status_code}')

可以看到，“请求成功！”，说明我们向百度搜索主页发送成功了请求。

3. 处理响应内容

成功发送请求后，我们可以通过多种方式访问响应内容：

import requestsresponse = requests.get('https://www.example.com')# 获取响应文本
html_content = response.text# 获取二进制内容（如图片）
binary_content = response.content# 如果响应是JSON格式，可以直接获取JSON数据
if 'application/json' in response.headers.get('Content-Type', ''):json_data = response.json()print(json_data)

例如，访问 www.baidu.com，向百度获取响应文本

import requestsresponse = requests.get('https://www.baidu.com')# 检查请求是否成功
if response.status_code == 200:print('请求成功！')
else:print(f'请求失败，状态码: {response.status_code}')# 获取响应文本
html_content = response.text# 获取二进制内容（如图片）
binary_content = response.content# 如果响应是JSON格式，可以直接获取JSON数据
if 'application/json' in response.headers.get('Content-Type', ''):json_data = response.json()print(json_data)

可以看到，“请求成功！”，说明我们向百度搜索主页发送成功了请求，但没有显示JSON数据，这说明中间存在某种机制在阻挡着。

这种机制是 反爬虫措施，会拒绝不像普通浏览器的请求。

那为什么会出现这个问题？ 可能是因为：

1. 缺少浏览器标识：网站可以检测到您的请求不是来自常规浏览器
2. 反爬虫机制：大型网站如百度有复杂的反爬虫系统
3. 重定向处理：网站可能将您重定向到其他页面而不直接返回内容

该怎么解决呢？我们可以设置一下请求头事实。

4. 设置请求头和参数

有时我们需要自定义请求头或传递参数：

import requests# 设置请求头，模拟真实浏览器
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36','Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8','Accept-Language': 'zh-CN,zh;q=0.9,en;q=0.8','Connection': 'keep-alive'
}try:# 发送带有浏览器标识的请求response = requests.get('https://www.baidu.com', headers=headers, timeout=10)# 检查请求是否成功print(f'状态码: {response.status_code}')# 查看请求是否被重定向if response.history:print(f'请求被重定向了 {len(response.history)} 次')print(f'最终URL: {response.url}')# 获取部分响应头信息print(f'内容类型: {response.headers.get("Content-Type", "未知")}')print(f'内容长度: {response.headers.get("Content-Length", "未知")}')# 检查内容if response.text:print(f'响应长度: {len(response.text)} 字符')print('前100个字符预览:')print(response.text[:100])else:print('没有获取到文本内容')# 检查是否有内容编码可能影响解析if response.encoding:print(f'内容编码: {response.encoding}')# 显示所有cookiesprint('Cookies:')for cookie in response.cookies:print(f'  {cookie.name}: {cookie.value}')except requests.exceptions.RequestException as e:print(f'请求异常: {e}')

之后我们就能看到获取到的响应内容了。

三、使用 BeautifulSoup 解析HTML

1. BeautifulSoup简介

BeautifulSoup是一个强大的 HTML和XML解析库，它可以将HTML文档转换成树形结构，方便我们提取需要的信息。

2. 安装和导入

首先，我们需要安装 BeautifulSoup 库和一个解析器（这里使用lxml）：

pip install beautifulsoup4 lxml

然后在代码中导入：

import requests
from bs4 import BeautifulSoup

3. 解析HTML文档

获取网页内容后，我们可以使用 BeautifulSoup 进行解析：

import requests
from bs4 import BeautifulSoup# 获取网页内容
response = requests.get('https://www.example.com')
html_content = response.text# 创建BeautifulSoup对象
soup = BeautifulSoup(html_content, 'html.parser')# 打印格式化后的HTML
print(soup.prettify())

同样地，访问 www.baidu.com，我们借助 BeautifulSoup 来解析HTML文档

import requests
from bs4 import BeautifulSoup# 获取网页内容
response = requests.get('https://www.baidu.com')
html_content = response.text# 使用内置的 html.parser
soup = BeautifulSoup(html_content, 'html.parser')# 打印格式化后的HTML
print(soup.prettify())

可以看到，终端处已经出现了格式化后的HTML：

补充一点：解析器选择建议

对于网络爬虫和大多数 Web 开发工作：

• 如果性能和准确性是优先事项，安装并使用 lxml
• 如果只是简单脚本或不想有外部依赖，使用内置的 html.parser
• 如果需要处理非常复杂或格式不规范的 HTML，考虑安装 html5lib

4. 选择和提取元素

BeautifulSoup提供了多种方法来选择和提取HTML元素：

import requests
from bs4 import BeautifulSoup# 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 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}try:# 发送请求获取网页内容response = requests.get('https://www.baidu.com', headers=headers)# 检查请求是否成功if response.status_code == 200:# 打印响应内容的前100个字符，帮助诊断print("响应内容预览: ", response.text[:100])# 解析HTMLsoup = BeautifulSoup(response.text, 'lxml')# 安全地获取元素 - 方法一：使用条件判断if soup.title:title_text = soup.title.textprint(f"网页标题: {title_text}")else:print("网页中没有找到<title>标签")# 安全地获取元素 - 方法二：使用.get()方法获取属性first_paragraph = soup.find('p')if first_paragraph:paragraph_text = first_paragraph.textprint(f"第一个段落: {paragraph_text}")else:print("网页中没有找到<p>标签")# 安全地获取元素 - 方法三：使用try-except捕获可能的错误try:first_link = soup.find('a')if first_link:link_href = first_link.get('href', '无链接')  # 使用get方法提供默认值print(f"第一个链接: {link_href}")else:print("网页中没有找到<a>标签")except Exception as e:print(f"处理链接时出错: {e}")# 方法四：链式调用与默认值结合content_div_text = soup.select_one('div.content').text if soup.select_one('div.content') else "未找到内容区块"print(f"内容区块: {content_div_text}")else:print(f"请求失败，状态码: {response.status_code}")except Exception as e:print(f"程序执行出错: {e}")

访问 www.baidu.com，我们来选择和提取元素，可以看到，我们已经提取到了我们要找的元素。

四、实战练习：爬取网站标题列表

现在，让我们将学到的知识应用到实际案例中：爬取CSDN首页的文章标题列表。

1. 目标分析

我们的目标是爬取百度新闻首页（https://news.baidu.com/）的文章标题。在开始编写代码前，我们可以通过浏览器的开发者工具检查页面结构，找出包含标题的HTML元素。

2. 编写爬虫代码

import requests
from bs4 import BeautifulSoup
import time# 设置请求头，模拟浏览器访问
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}# 发送请求获取百度新闻页面的内容
url = 'https://news.baidu.com/'
response = requests.get(url, headers=headers)# 检查请求是否成功
if response.status_code == 200:# 使用BeautifulSoup解析HTMLsoup = BeautifulSoup(response.text, 'lxml')# 查找所有文章标题元素# 注意：以下选择器可能需要根据实际网页结构调整title_elements = soup.select('a.title')# 提取并打印标题print(f"共找到 {len(title_elements)} 篇文章")for i, title in enumerate(title_elements, 1):print(f"{i}. {title.text.strip()}")# 适当延时，避免请求过快if i % 5 == 0 and i < len(title_elements):time.sleep(0.5)
else:print(f"请求失败，状态码: {response.status_code}")

我们可以看到，并没有获取到百度新闻的文章列表，此时我们需要考虑其它方案来解决。

3. 运行和结果分析

运行上面的代码，你应该能看到百度新闻页面的文章标题列表。如果遇到问题，可能是因为网站结构发生了变化，需要调整选择器。

4. 优化和扩展

我们可以对代码进行一些优化和扩展：

import requests
from bs4 import BeautifulSoup
import csvdef crawl_with_requests():headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36','Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,*/*;q=0.8','Accept-Language': 'zh-CN,zh;q=0.9'}try:# 尝试访问本地或国内网站，可能更容易成功url = 'https://news.baidu.com/'  # 例如使用百度新闻response = requests.get(url, headers=headers, timeout=20)response.raise_for_status()soup = BeautifulSoup(response.text, 'html.parser')# 获取新闻标题articles = []news_links = soup.select('.hotnews a, .ulist a')for link in news_links:title = link.text.strip()href = link.get('href', '')if title and href and len(title) > 5:articles.append({'title': title,'link': href})# 保存结果with open('news_titles.csv', 'w', encoding='utf-8', newline='') as f:writer = csv.DictWriter(f, fieldnames=['title', 'link'])writer.writeheader()writer.writerows(articles)print(f"成功爬取 {len(articles)} 条新闻标题，已保存到 news_titles.csv")except Exception as e:print(f"发生错误: {e}")import tracebacktraceback.print_exc()if __name__ == "__main__":crawl_with_requests()

这个优化版本增加了：

• 异常处理：捕获各种可能的异常
• 超时设置：防止请求长时间等待
• 数据存储：将结果保存为CSV文件
• 功能封装：将爬虫代码封装为函数

五、练习（仅学习用途）

1. 修改本文提供的代码，爬取你喜欢的技术博客网站的文章标题和发布日期。
2. 尝试使用requests和BeautifulSoup爬取一个简单的图片网站，并将图片保存到本地。
3. 研究CSDN的robots.txt文件，了解该网站对爬虫的规定。
4. 思考：如何爬取需要登录才能访问的网页内容？

六、总结

今天，我们学习了网络爬虫的基本概念和原理，掌握了使用requests库获取网页数据和BeautifulSoup解析HTML的方法。通过实战练习，我们成功爬取了百度新闻的文章标题列表。

爬虫的知识还有很多，本篇仅入门了解，详细地大家可以查看官方文档使用，谢谢理解。

网络爬虫是一个强大的工具，它可以帮助我们自动化数据收集过程，为数据分析和机器学习提供原材料。然而，我们也要记住，务必注意！！！使用爬虫时需要遵守法律法规和网站的使用条款，尊重数据提供者的权益！

在接下来的学习中，我们将深入探索更多方向的基础知识，敬请期待《Python星球日记》的后续内容！

参考资源

1. requests官方文档：https://requests.readthedocs.io/
2. BeautifulSoup官方文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/
3. 《Python网络数据采集》—— Ryan Mitchell 著
4. 网络爬虫与信息提取：https://www.icourse163.org/course/BIT-1001870001

祝你在Python爬虫的旅程中收获满满！

创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）
如果你对今天的内容有任何问题，或者想分享你的学习心得，欢迎在评论区留言讨论！