Python爬蟲技術入門實例代碼分析

這篇“Python爬蟲技術入門實例代碼分析”文章的知識點大部分人都不太理解，所以小編給大家總結了以下內容，內容詳細，步驟清晰，具有一定的借鑒價值，希望大家閱讀完這篇文章能有所收獲，下面我們一起來看看這篇“Python爬蟲技術入門實例代碼分析”文章吧。

爬蟲技術基礎概念

1. 爬蟲：自動獲取網絡數據的程序。

2. Web頁面結構：HTML、CSS、JavaScript等。

3. HTTP請求：客戶端向服務器請求數據的方式。

4. HTTP響應：服務器返回給客戶端的數據。

請求與響應

使用Python的requests庫發送HTTP請求。

import requests
 
url = "https://www.example.com"
response = requests.get(url)

獲取響應內容

html_content = response.text

HTML解析與數據提取

使用BeautifulSoup庫解析HTML內容。

from bs4 import BeautifulSoup
 
soup = BeautifulSoup(html_content, "html.parser")

使用CSS選擇器或其他方法提取數據。

title = soup.title.string

實戰：爬取簡書網站首頁文章信息

發送請求，獲取簡書網站首頁HTML內容。

import requests
from bs4 import BeautifulSoup
 
url = "https://www.jianshu.com"
response = requests.get(url)
html_content = response.text

存儲數據

將數據存儲為JSON格式。

import json
 
with open("jianshu_articles.json", "w", encoding="utf-8") as f:
    json.dump(article_info_list, f, ensure_ascii=False, indent=4)

測試與優化

1.遇到反爬蟲策略時，可以使用User-Agent偽裝成瀏覽器。

headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3"}
response = requests.get(url, headers=headers)

2.使用time.sleep()函數控制請求頻率。

import time
 
time.sleep(10)

3.錯誤處理與異常捕獲。

try:
    response = requests.get(url, headers=headers, timeout=5)
    response.raise_for_status()
except requests.exceptions.RequestException as e:
    print(f"Error: {e}")

網站爬蟲完整代碼：

import requests
from bs4 import BeautifulSoup
import json
import time
 
def fetch_jianshu_articles():
    url = "https://www.jianshu.com"
    headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3"}
 
    try:
        response = requests.get(url, headers=headers, timeout=5)
        response.raise_for_status()
    except requests.exceptions.RequestException as e:
        print(f"Error: {e}")
        return
 
    html_content = response.text
    soup = BeautifulSoup(html_content, "html.parser")
    articles = soup.find_all("div", class_="content")
    article_info_list = []
 
    for article in articles:
        title = article.h3.text.strip()
        author = article.find("span", class_="name").text.strip()
        link = url + article.h3.a["href"]
 
        article_info = {"title": title, "author": author, "link": link}
        article_info_list.append(article_info)
 
    return article_info_list
 
def save_to_json(article_info_list, filename):
    with open(filename, "w", encoding="utf-8") as f:
        json.dump(article_info_list, f, ensure_ascii=False, indent=4)
 
if __name__ == "__main__":
    article_info_list = fetch_jianshu_articles()
    if article_info_list:
        save_to_json(article_info_list, "jianshu_articles.json")
        print("Jianshu articles saved to 'jianshu_articles.json'.")
    else:
        print("Failed to fetch Jianshu articles.")

補充

為了更好地理解這個實戰項目，我們需要了解一些基礎概念和原理，這將有助于掌握Python的網絡編程和爬蟲技術。以下是一些基本的網絡爬蟲概念：

1. HTTP協議：超文本傳輸協議（HTTP）是一種用于傳輸超媒體文檔（如 HTML）的應用層協議。HTTP協議被用于從Web服務器傳輸或發布到Web瀏覽器或其他客戶端的數據。

2. HTML、CSS 和 JavaScript：HTML 是用來描述網頁的一種語言。CSS 是用來表現 HTML 結構的樣式。JavaScript 是網頁編程的一種腳本語言，主要用于實現網頁上的動態效果和與用戶的交互。

3. DOM：文檔對象模型（DOM）是一種跨平臺的編程接口，用于處理 HTML 和 XML 文檔。DOM將文檔視為樹形結構，其中每個節點代表一個部分（如元素、屬性或文本）。

4. URL：統一資源定位符（URL）是用于指定互聯網資源位置的一種字符串。

5. 請求頭（Request Headers）：在HTTP請求中，請求頭包含了關于客戶端的環境、瀏覽器等信息。常見的請求頭字段有：User-Agent、Accept、Referer 等。

6. 響應頭（Response Headers）：在HTTP響應中，響應頭包含了關于服務器的信息、響應狀態碼等信息。常見的響應頭字段有：Content-Type、Content-Length、Server 等。

7. 網絡爬蟲策略：有些網站會采取一些策略來阻止爬蟲抓取數據，如：封禁IP、限制訪問速度、使用 JavaScript 動態加載數據等。在實際應用中，我們需要根據這些策略采取相應的應對措施，如：使用代理IP、限制爬蟲抓取速度、使用瀏覽器模擬庫（如 Selenium）等。

以上就是關于“Python爬蟲技術入門實例代碼分析”這篇文章的內容，相信大家都有了一定的了解，希望小編分享的內容對大家有幫助，若想了解更多相關的知識內容，請關注億速云行業資訊頻道。