Python 爬虫实战：驾驭数据洪流，揭秘网页深处

流形sbz 2023-11-09 发布于甘肃

展开全文

爬虫，这个经常被人提到的词，是对数据收集过程的一种形象化描述。特别是在Python语言中，由于其丰富的库资源和良好的易用性，使得其成为编写爬虫的绝佳选择。本文将从基础知识开始，深入浅出地讲解Python爬虫的相关知识，并分享一些独特的用法和实用技巧。本文将以实际的网站为例，深入阐述各个处理部分，并展示输出，助力大家快速掌握Python爬虫技巧。

开始之前：必要的库

Python有很多库可以用来编写爬虫，但我们这里重点介绍两个：requests和BeautifulSoup。

import requestsfrom bs4 import BeautifulSoup

requests库用于发送HTTP请求，而BeautifulSoup库则用于解析HTTP响应中的HTML。

基本爬虫：爬取全部网页内容

以Python官方网站（https://www./）为例，一个基本的Python爬虫可能会这样编写：

url = 'https://www./'response = requests.get(url)soup = BeautifulSoup(response.text, 'html.parser')print(soup.prettify()[:500])

这段代码的目的是获取网页的内容，并使用BeautifulSoup库进行解析。我们可以看到，requests.get(url)是用来发送GET请求的，而BeautifulSoup(response.text, 'html.parser')则是用来解析HTTP响应中的HTML内容的。

这段代码的输出前500个字符如下：

<!DOCTYPE html><!--[if lt IE 7]>   <html class='no-js ie6 lt-ie7 lt-ie8 lt-ie9'>   <![endif]--><!--[if IE 7]>      <html class='no-js ie7 lt-ie8 lt-ie9'>          <![endif]--><!--[if IE 8]>      <html class='no-js ie8 lt-ie9'>                 <![endif]--><!--[if gt IE 8]><!--><html class='no-js' dir='ltr' lang='en'>  <!--<![endif]--><head><meta charset='utf-8'/><meta content='IE=edge' http-equiv='X-UA-Compatible'/><meta content='Python.org' name='application-name'/><meta content='The official home of the Python Programming Language'

使用CSS选择器爬取特定元素

当我们希望获取特定元素时，我们可以使用CSS选择器。比如我们希望获取Python官方网站中所有的头部链接：

elements = soup.select('div.top-bar > ul > li > a')for element in elements:    print(element.get('href'), element.text)

在这里，div.top-bar > ul > li > a是一个CSS选择器，用来选择

class为top-bar的div元素下的ul元素中的li元素下的a元素。这些a元素就是我们想要的头部链接。

这段代码的部分输出如下：

/ Python/psf-landing/ PSF/docs/ Docs/pypl/ PyPI/jobs/ Jobs/community-landing/ Community

HTML解析语言爬取：XPath

除了CSS选择器，还有一种常用的HTML解析技术是XPath。XPath，全称XML Path Language，是一门在XML文档中查找信息的语言，也可以用在HTML文档解析中。

Python的lxml库提供了XPath的支持：

from lxml import etreehtml = '<div><a href='/a'>A</a><a href='/b'>B</a></div>'root = etree.HTML(html)links = root.xpath('//a/@href')print(links)

在这段代码中，我们首先定义了一个HTML字符串。然后，我们使用etree.HTML()函数将这个字符串解析成一个DOM树。最后，我们使用root.xpath()方法提取出所有的链接。

绝对链接爬取

你可能已经注意到，上述代码的输出中的链接是相对链接，而不是绝对链接。如果我们希望获取绝对链接，我们可以使用urljoin函数：

from urllib.parse import urljoinelements = soup.select('div.top-bar > ul > li > a')for element in elements:    absolute_url = urljoin(url, element.get('href'))    print(absolute_url, element.text)

这段代码的部分输出如下：

https://www./ Pythonhttps://www./psf-landing/ PSFhttps://www./docs/ Docshttps://www./pypl/ PyPIhttps://www./jobs/ Jobshttps://www./community-landing/ Community

动态加载的数据爬取：Selenium

在许多现代的网页中，数据可能不是在页面加载时一次性加载的，而是通过JavaScript在用户与页面交互时动态加载的。这时，我们可能需要使用另一个工具：Selenium。

from selenium import webdriverdriver = webdriver.Firefox()driver.get('https://www./')element = driver.find_element_by_css_selector('div.top-bar > ul > li > a')print(element.text)

这段代码使用Selenium模拟浏览器行为，获取JavaScript动态加载的数据。在这个例子中，我们只获取了第一个链接的文本，实际使用时，你可能需要根据需求进行更复杂的操作。

爬虫代理

使用代理，可以帮助我们隐藏自己的真实IP地址，从而避免因爬取同一网站过多数据而被封IP。下面是一段简单的使用代理的代码：

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

在这里，我们定义了一个代理字典，并将其传给requests.get()函数。这样，我们的请求就会通过代理服务器发送，从而隐藏了我们的真实IP地址。

异步爬虫：提升爬虫效率

在爬取大量数据时，我们通常需要进行多次HTTP请求，如果每次请求都等待前一次请求完成，那么效率将会非常低。此时，我们可以使用Python的异步IO库asyncio和aiohttp来提高效率。下面是一个简单的例子：

import asyncioimport aiohttpasync def fetch(session, url):    async with session.get(url) as response:        return await response.text()async def main():    async with aiohttp.ClientSession() as session:        html = await fetch(session, 'http://')        print(html[:500])loop = asyncio.get_event_loop()loop.run_until_complete(main())

在这段代码中，我们首先定义了一个异步的fetch函数，用于发送HTTP请求并获取响应。然后，我们在main函数中创建一个HTTP会话，并使用这个会话来发送请求。最后，我们使用事件循环来运行main函数。

爬虫框架：Scrapy

虽然使用上述方法可以实现爬虫的基本功能，但在处理更复杂的爬虫任务时，我们可能需要一个更强大的工具。Scrapy是一个用Python实现的强大的爬虫框架，它为我们提供了许多高级功能，比如并发请求、数据处理和存储等。

下面是一个简单的Scrapy爬虫的例子：

import scrapyclass MySpider(scrapy.Spider):    name = 'myspider'    start_urls = ['http://']    def parse(self, response):        self.log('Visited %s' % response.url)        yield {            'url': response.url,            'title': response.css('title::text').get(),        }

在这段代码中，我们定义了一个继承自scrapy.Spider的爬虫类。这个类中定义了爬虫的名字、开始的URL和解析响应的方法。Scrapy将会自动为我们处理请求的发送和响应的接收，我们只需要关心如何从响应中提取数据即可。

自动化任务：定时爬虫

有时我们需要定时执行爬虫任务，比如每天爬取一次网站的数据。Python的schedule库可以帮助我们实现这一点：

import scheduleimport timedef job():    print('I'm working...')schedule.every(10).seconds.do(job)while True:    schedule.run_pending()    time.sleep(1)

在这段代码中，我们首先定义了一个爬虫任务job。然后，我们使用schedule.every().seconds.do()方法设置任务的执行间隔。最后，我们使用一个无限循环来不断执行待运行的任务。

爬虫道德规范：遵守robots.txt

在进行爬虫时，我们需要尊重网站的robots.txt规则。robots.txt是一个存放在网站根目录下的文本文件，用于告诉爬虫哪些页面可以抓取，哪些页面不可以抓取。

Python的urllib.robotparser模块可以帮助我们解析robots.txt：

from urllib.robotparser import RobotFileParserrp = RobotFileParser()rp.set_url('http://www./robots.txt')rp.read()can_fetch = rp.can_fetch('*', 'http://www./')print(can_fetch)

在这段代码中，我们首先创建了一个RobotFileParser对象，然后使用set_url方法设置robots.txt的URL，并使用read方法读取和解析robots.txt。最后，我们使用can_fetch方法判断我们的爬虫是否可以抓取指定的URL。

请注意，不是所有的网站都有robots.txt，也不是所有的网站都会严格遵守robots.txt。在爬取网站时，除了尊重robots.txt，我们还应该尽量减小爬虫对网站的影响，例如限制爬取频率，避免在网站高访问量的时候爬取。