超详细 Python 爬虫指南

目录

一、爬虫的基本原理

二、爬虫实现步骤

1. 准备工作

2. 详细代码实现

三、处理反爬机制

四、爬取复杂数据的技巧

1. JSON 数据爬取

2. 分页数据爬取

3. 下载文件

五、完整爬虫示例

六、注意事项

一、爬虫的基本原理

1. HTTP 请求与响应

   • 爬虫通过 HTTP 协议与目标网站服务器通信。
   • 发送请求时可指定 URL、请求方法（GET 或 POST）、请求头等。
   • 服务器根据请求返回 HTML 页面、JSON 数据或其他格式的响应。

2. HTML 解析
   HTML 是网页的主要结构。爬虫通过解析 HTML 提取有用信息，如标题、图片、表格等。

3. 数据存储
   抓取的数据可存储到文件（如 CSV、JSON）、数据库（如 MySQL、MongoDB）等介质中，便于后续分析。

4. 反爬机制

   • User-Agent 检测：服务器检查请求来源是否合法。
   • 频率限制：高频访问可能触发封禁。
   • 验证码验证：部分网站通过验证码阻止自动化行为。

5. robots.txt 协议
   网站通过 robots.txt 指定哪些页面可以被爬取，爬虫需遵守此协议。

二、爬虫实现步骤

1. 准备工作

安装必要的库：

pip install requests beautifulsoup4 lxml pandas

2. 详细代码实现

（1）发送 HTTP 请求 通过 requests 库获取网页内容。

import requests

# 定义目标 URL
url = "https://example.com"

# 设置请求头，伪装为浏览器访问
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36"
}

# 发送请求
response = requests.get(url, headers=headers)

# 检查状态码
if response.status_code == 200:
    print("请求成功！")
    print(response.text[:500])  # 打印部分网页内容
else:
    print(f"请求失败，状态码: {response.status_code}")

（2）解析 HTML 数据 使用 BeautifulSoup 提取 HTML 中的内容。

from bs4 import BeautifulSoup

# 使用 BeautifulSoup 解析 HTML
soup = BeautifulSoup(response.text, "lxml")

# 提取网页标题
title = soup.title.string
print(f"网页标题: {title}")

# 提取所有超链接
links = []
for a_tag in soup.find_all("a", href=True):
    links.append(a_tag["href"])

print("提取到的链接:")
print("\n".join(links))

（3）存储数据 将数据保存为 CSV 文件。

import pandas as pd

# 构造数据字典
data = {"Links": links}

# 转换为 DataFrame
df = pd.DataFrame(data)

# 保存为 CSV
df.to_csv("links.csv", index=False, encoding="utf-8-sig")
print("数据已保存到 links.csv")

（4）动态网页处理 有些网页通过 JavaScript 加载数据，requests 无法直接抓取。这时需使用浏览器自动化工具，如 Selenium 或 Playwright。

以下是 Selenium 的示例：

pip install selenium

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

# 配置 Selenium WebDriver（以 Chrome 为例）
options = webdriver.ChromeOptions()
options.add_argument("--headless")  # 无头模式
driver = webdriver.Chrome(options=options)

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

# 等待页面加载
driver.implicitly_wait(10)

# 提取动态加载的内容
titles = driver.find_elements(By.TAG_NAME, "h1")
for title in titles:
    print(title.text)

# 关闭浏览器
driver.quit()

三、处理反爬机制

添加随机延迟 避免频繁请求被封禁：

import time
import random

time.sleep(random.uniform(1, 3))  # 随机延迟 1-3 秒

使用代理 IP 通过代理绕过 IP 封禁：

proxies = {
    "http": "http://username:password@proxyserver:port",
    "https": "http://username:password@proxyserver:port"
}

response = requests.get(url, headers=headers, proxies=proxies)

处理验证码 使用 OCR 识别验证码：

pip install pytesseract pillow

from PIL import Image
import pytesseract

# 读取验证码图片
image = Image.open("captcha.png")

# 使用 OCR 识别文本
captcha_text = pytesseract.image_to_string(image)
print(f"验证码内容: {captcha_text}")

四、爬取复杂数据的技巧

1. JSON 数据爬取

许多网站的动态内容通过 API 提供 JSON 数据，可以直接请求这些接口：

api_url = "https://example.com/api/data"
response = requests.get(api_url, headers=headers)

# 解析 JSON 数据
data = response.json()
print(data)

2. 分页数据爬取

自动抓取多页内容：

base_url = "https://example.com/page={}"
for page in range(1, 6):
    url = base_url.format(page)
    response = requests.get(url, headers=headers)
    print(f"抓取第 {page} 页内容")

3. 下载文件

下载图片或文件到本地：

file_url = "https://example.com/image.jpg"
response = requests.get(file_url, stream=True)

# 保存到本地
with open("image.jpg", "wb") as file:
    for chunk in response.iter_content(chunk_size=1024):
        file.write(chunk)

print("文件下载完成！")

五、完整爬虫示例

以下是一个完整的爬虫脚本，抓取新闻网站标题与链接并保存为 CSV 文件：

import requests
from bs4 import BeautifulSoup
import pandas as pd
import time
import random

# 设置目标 URL 和请求头
base_url = "https://news.ycombinator.com/"
headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36"
}

# 存储数据
titles = []
links = []

# 爬取内容
for page in range(1, 4):  # 抓取前三页
    url = f"{base_url}?p={page}"
    response = requests.get(url, headers=headers)
    soup = BeautifulSoup(response.text, "lxml")
    
    for item in soup.find_all("a", class_="titlelink"):
        titles.append(item.text)
        links.append(item["href"])
    
    print(f"完成第 {page} 页爬取")
    time.sleep(random.uniform(1, 3))  # 随机延迟

# 保存数据到 CSV
data = {"Title": titles, "Link": links}
df = pd.DataFrame(data)
df.to_csv("news.csv", index=False, encoding="utf-8-sig")
print("新闻数据已保存到 news.csv")

六、注意事项

1. 避免法律风险

   • 爬取前阅读目标网站的使用条款。
   • 遵守 robots.txt 协议。

2. 优化性能
   使用多线程或异步技术（如 asyncio、aiohttp）提高效率。

3. 应对反爬
   熟练使用代理、延迟和伪装技巧。