网络爬虫 Python 第二课

• BeautifulSoup 高级用法：

  • 标签查找与筛选：除了简单地通过标签名查找（如 soup.find('div') 查找第一个 div 标签），还可以利用属性来更精准地查找。例如，如果要查找所有 class 属性为 article 的 div 标签，可以使用 soup.find_all('div', class_='article') 。这里注意 class_ 后面的下划线，是为了避免和 Python 的关键字 class 冲突。
  • 层级关系查找：网页中的标签往往是有层级嵌套关系的，BeautifulSoup 可以方便地根据层级来查找元素。比如要查找 div 标签下的 p 标签，可以这样写 soup.div.find_all('p') ，先定位到 div 标签，再查找其内部的所有 p 标签。还可以使用 soup.select() 方法，通过 CSS 选择器来进行更灵活的层级元素查找，像 soup.select('div.article p') 就是查找 class 为 article 的 div 标签下的所有 p 标签。
  • 获取标签内容与属性：讲解如何获取标签包裹的文本内容（如 tag.text ）以及获取标签的各种属性值（比如对于 <a href="https://example.com">链接</a> 这样的 a 标签，可以通过 tag['href'] 来获取 href 属性的值）。

• XPath 解析：

  • 介绍 XPath 概念：XPath 是一种在 XML 文档中查找信息的语言，由于 HTML 可以看作是 XML 的一种特殊形式，所以也能用 XPath 来解析网页结构定位元素。它通过路径表达式来选取节点，比如 /html/body/div 表示从根节点 html 开始，依次选择 body 节点下的 div 节点。
  • 在 Python 中使用（结合 lxml 库）：示例代码展示如何安装和使用 lxml 库来通过 XPath 解析网页，像下面这样：

from lxml import etree
import requests

url = "https://www.example.com"
response = requests.get(url)
html = etree.HTML(response.text)
result = html.xpath('//div[@class="article"]/p/text()')  # 选取class为article的div下的p标签的文本内容
print(result)

二、处理多种网页数据类型

• 图片、链接等资源的提取：

  • 图片提取：讲解如何从网页中找出所有图片的链接，通常图片会放在 <img> 标签里，通过 src 属性来指定图片的 URL。可以用 BeautifulSoup 查找所有 img 标签（如 soup.find_all('img') ），然后遍历获取每个 img 标签的 src 属性值，这些值就是图片的链接，后续可以进一步下载图片到本地等操作。
  • 链接提取：对于网页中的超链接（ <a> 标签），同样可以通过查找 a 标签，并获取 href 属性值来提取链接，可用于构建站内链接的爬虫，顺着这些链接去爬取网页的其他页面等。

• 数据格式化与清洗：

  • 去除空格、特殊字符：爬取到的文本数据可能存在前后空格或者一些不需要的特殊字符，比如换行符 \n 等，可以使用 Python 的字符串方法（如 strip() 去除两边空格、 replace() 替换特定字符等）来进行清理。
  • 数据类型转换：如果爬取的数据要用于后续的计算、分析等，可能需要进行数据类型的转换，比如把字符串形式的数字转换为整型（ int() 函数）或者浮点型（ float() 函数）等操作。

三、应对简单的反爬虫机制

• 设置请求头（Headers）：很多网站会通过检测请求头中的信息（如 User-Agent ，它代表了客户端浏览器等相关信息）来判断请求是否来自正常的浏览器访问。可以通过在 Requests 库中设置合适的请求头，模拟真实浏览器请求，示例如下：

• import requests
  
  headers = {
      "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/5.25.25 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36"
  }
  url = "https://www.example.com"
  response = requests.get(url, headers=headers)
  print(response.text)

• 控制请求频率：避免过于频繁地向网站发送请求，以免触发网站的反爬虫限制，可以使用 time 模块来设置每次请求之间的时间间隔，像这样：

• 通过这些内容的讲解，能让学习者在网络爬虫 Python 的学习道路上更进一步，掌握更实用的爬虫技能，为后续处理更复杂的爬虫项目打下基础。